本图为设施蔬菜病害多模态大模型的技术路线图，采用同一视觉语言基座开展分阶段训练并做独立环境验证。数据源分为原病图像与病斑标注、病害专业文本补充知识、补充环境与质量标注三类；经过来源核验、去重、图文证据匹配与环境信息真实配对完成数据治理；再划分训练验证集与独立保留的外部测试集，外部测试集包含未见温室、季节与设备组合，专用于最终效果评估。整个研究分为三层递进的研究内容。研究内容 1 开展知识约束的多模态大模型持续预训练与语义表征学习，完成知识样本关联、领域持续预训练、知识关系表征约束更新，输出 M1 病害领域统一语义表征。研究内容 2 继承 M1 参数，开展病斑证据保持的细粒度语义表征与协同学习，经过病斑多尺度编码、属性解耦对比学习、定位‑症状联合学习，输出 M2，实现病斑位置和诊断依据保持一致。研究内容 3 在前两阶基础上开展环境条件约束的稳定语义表征与泛化学习，对环境因素分组建模、完成条件稳定语义学习以及稳定性适应性协调，输出 M3 条件稳定的多模态大模型。推理阶段输入图像、诊断问题与环境条件，输出病斑位置、症状性状、候选病害以及证据描述；最后基于 mAP、属性 F1、证据一致率等多项指标开展独立评价，外部测试集仅用来最终测评，训练时不参与参数更新。无论农业 AI 方向研究生还是课题撰写人员，都可以借助该技术路线梳理实验实施流程。