系统对比了FROST、GrADS、GRADFILTERING、SSR与视觉PRISM五种数据筛选算法的底层机制。图表将每种方法拆解为“使用的信号、效用计算/处理、最终选择、训练成本属性”四个标准化流程节点，并明确界定了原文边界。例如，FROST依赖真实任务梯度进行在线效用校准并过滤异常批次；GrADS利用先导训练梯度的分布统计实现微调子集选择；GRADFILTERING通过代理LoRA集成分歧进行样本排名，无需目标模型梯度；SSR基于能力评分与交互风格实现子模覆盖最大化；PRISM则利用视觉表示各向异性来消除全局漂移与冗余。图底部特别提出了一个核心科学问题：筛选后性能增益是否足以抵偿筛选开销？并强调需在相同模型、训练预算和测试集下进行公平比较。整张图将复杂的算法逻辑转化为直观的流程图，清晰揭示了不同训练数据选择策略的技术差异与成本代价。