评估标准化不足。 正如在第3.5节中广泛讨论的那样，该领域缺乏统一的评估基准，无法进行有意义的跨模型比较。每个模型使用不同的数据集、指标和测试协议，使得客观评估相对优势变得困难。PLLaMa报告在Plant-Disease-QA上的F1分数，CropGPT使用MAE进行产量预测，Farmer.Chat则衡量用户参与度——这些指标涉及无法直接比较的正交性能维度。更根本的是，大多数评估是在保留的测试集上进行的，这可能无法反映现实世界的部署场景，即模型会遇到新的作物品种、前所未有的天气模式或数据质量下降的情况。