该图对比了大模型训练中的三种数据/样本过滤方法：FROST、GrADS与GRADFILTERING，重点分析它们评价训练样本的信号、时机及成本。FROST（在线合成数据过滤）：以真实批次和梯度反馈为基础，评估合成样本效用，仅当样本偏离历史区间时才过滤，无需独立验证器，实现了动态按需触发。GrADS（梯度感知SFT子集选择）：预热微调模型后收集梯度统计，选择高效SFT子集，旨在平衡微调效率与减少灾难性遗忘。GRADFILTERING（验证集无关的代理梯度选择）：采用轻量代理模型与LoRA集成训练，通过G-SNR不确定性评分选出可复用数据子集，无需目标验证集与目标模型梯度。图中针对“设施蔬菜训练”给出了明确启发与避坑提示（如避免仅用普通梯度余弦+阈值、仅靠梯度大小选择或仅用代理模型+G-SNR）。底部强调三者本质不同：FROST在线合成筛样，GrADS为SFT子集选择，GRADFILTERING为无需验证集的代理评分。该图逻辑清晰，极具实操指导价值。无论你是正在优化微调流程的算法工程师、探索数据高效利用的硕博研究生，还是希望将低成本训练策略迁移到农业垂直领域的交叉学科专家，都能从中获取精准的方法论与避坑指南。