本图展示领域约束驱动的多模态大模型分阶段 “表征 — 诊断 — 泛化” 递进学习技术路线，基于同一个预训练多模态大模型主干依次得到 M1‑M2‑M3，三个阶段并非独立模型。首先开展多模态原始数据与专家标注、环境采集条件记录，完成严谨的数据划分与独立测试；共享主干网络依次经过视觉编码器、跨模态连接器、语言模型解码器，采用 LoRA、Adapter、partial‑FT 等方式做领域适配，搭建结构化症状槽位。阶段 Ⅰ 为症状关系驱动细粒度语言表征学习得到 M1，先后完成症状关系建模、多正样本跨模态语义对齐、病类症状梯度分离，输出可用于识别症状表征的 M1 模型，实现病害区分与类间关联。阶段 Ⅱ 继承 M1 参数开展区域证据约束的病斑定位‑诊断联合学习得到 M2，依次做区域病斑提取与锁定、证据进入语言生成、双向证据约束，构建具备病斑区域证据支撑的诊断生成模型，从定位、症状、证据多维度开展指标校验。阶段 Ⅲ 继承 M2 参数实施症状可比性驱动的条件稳健表征与跨环境泛化学习得到 M3，区分环境干扰与症状真实变化，学习可比性自适应，采用选择性一致性做稳健优化，得到陌生环境下具备稳健诊断能力的 M3。底部说明了统一评价体系、相关方法与文献基础，本研究创新在于把三层约束整合进同一大模型并分阶段验证。无论农业人工智能方向研究生还是课题撰写人员，都可以参考该技术路线开展方案梳理。