图表主要分为三个部分：A数据梯度来源，分别计算真实训练样本（构造EMA锚点）与合成候选样本（未预先假定其有用）的梯度，原论文应用场景涵盖图像分类、文本转SQL及工业广告重排序；B训练时在线判断是否需要过滤，首先计算合成样本梯度与真实任务更新方向的关系以实现真实任务锚定效用，其次通过历史窗口校准与批次异常判断，并非每批都过滤，仅在“偏离正常效用分布”时触发，最后仅对异常批次做细粒度样本筛选，保留有贡献的合成样本再进入后续参数更新，底部曲线示意效用漂移随训练动态变化，并非固定阈值离线选择；C您应该超越哪里，指出原文已完成真实梯度反馈、按需触发过滤及不依赖外部验证器，并提出了针对农业病理约束的新问题（病斑是否符合病种、同源衍生是否过度重复、长尾病种真实收益、单位GPU成本是否值得及是否优于SSR/PRISM）。底部注明原论文效果约筛除20-30%合成数据，图中曲线仅为机制示意。适用人群包括大模型数据工程师、多模态模型训练师、AI数据合成研究员、农业AI开发者、机器学习算法专家。