方案⑦为反事实干预去混淆训练框架，定位为升级版因果去偏方法。输入为设施蔬菜病害图像 I 与病斑、症状文本 T，即含背景偏置的源域数据。框架采用双路径设计：事实路径由 VLM 前向传播得到病害表征 h，其中混入背景、品种等虚假捷径；反事实路径构建 "剥离病害证据" 分支，执行 do (病征)= 中性操作得到反事实表征 h_cf。在此基础上设置两级去偏约束：特征级 CCR 通过反事实协方差缩减，提取 cov (h,h_cf) 正特征空间并投影，抑制虚假背景偏置；梯度级 OPG 采用正交投影引导，将更新梯度投影到混淆子空间的正交方向，阻断捷径更新。联合训练损失为 L = L_task + λ・L_CCR + β・L_OPG，其中 λ、β 按证据可靠性动态调度。最终输出去混淆 VLM，保留真实病征因果特征，实现跨设施与跨品种鲁棒。文献支撑与空白方面，CofactVLA（清华，arXiv 2608.04396，2026）以 DDG+CCR+OPG 去混淆用于机器人 VLA，并非农业场景；ACID（Information Fusion 2026）用对抗反事实干预切断虚假后门，面向场景图生成；二者均未开展农业 VLM 病害背景偏置训练，而 DG-PLDR、CUOM 属于静态去偏，本方案的创新在于动态反事实干预。