该框图展示了2026年预印本论文中关于“FROST：用真实梯度在线判定合成样本效用”的国际近邻方法。A部分阐述“真实任务梯度锚点与合成数据效用”：在真实训练批次中计算真实样本损失与梯度（g_real），并更新历史梯度锚点；同时针对合成数据批次计算合成梯度，与真实锚点比较形成批次效用估计。图中用“梯度方向示意”表明，与真实梯度同向代表效用高，反向则代表效用低。该机制在在线训练中随模型状态更新效用，选择目标是实际任务增益而非视觉逼真度。B部分说明“历史校准、按需过滤与成本收益”：将当前批次效用与历史批次分布比较，落在正常区间的保留，异常低效的进行细粒度过滤。系统仅输出筛选后的合成数据，必要时才增加筛选计算，避免无差别过滤；随后继续真实+合成混合训练，不要求外部验证器或留出集。底部指出，原论文在图像分类、文本到SQL微调等任务上验证了该机制，并提示梯度反馈筛选已有公开先例，必须增加可检验的病理专属机制并计入梯度开销。