该论文提出了一种名为 SFGA（Statistics-First Gating Architecture）的统计优先门控架构，用于解决监督微调（SFT）数据采购中的可信数据获取问题。在采购数据时，买方需要在尚未进行下游训练前判断候选数据集是否值得获取。SFGA 将采购视为一个成本感知的路由问题，围绕三个内在质量轴——多样性、实用性和冗余度——进行决策。首先通过廉价盲测生成每个轴的估计值及置信区间；门控机制仅在置信区间狭窄、样本量充足且各轴结论一致时才接受决策，否则将案例升级至由“购买倡导者”和“拒绝倡导者”法官进行的裁决性辩论，最终由主审法官做出判决。在包含12个数据集（2×3×2网格，覆盖三个质量轴）和5个随机种子的受控基准测试中，门控达到了0.90的准确率和0.83的F1分数，每单位成本为0.017美元，性能介于始终验证基线（0.75）和理想上界（0.98）之间，且成本低于始终升级（0.020美元）。论文还诚实地报告了辩论路径的负面诊断：反对方的胜率为0.80（p≈3×10⁻⁶），在倡导者交换下位置翻转率达到52%，揭示了幼稚的LLM法官会隐藏的消极性和位置偏见。作者将注入旋钮评估明确设计为受控合成基准，用于衡量保真度和路由校准，并将外部有效性留作未来工作。该研究为数据采购提供了一种成本有效且可解释的决策方法，适用于需要高质量SFT数据的LLM训练场景。