针对的技术问题是高分辨率温室图像中，微小病斑容易在视觉 Token 压缩时丢失。训练流程分为五个环节：第一环节为多尺度病害图像，准备病斑框与细粒度描述，进行全景与局部裁剪，并记录病斑尺寸与遮挡信息；第二环节为病斑价值评估，对微小病斑区域优先处理，结合语义响应与位置先验，给出动态视觉 Token 评分；第三环节为预算约束路由，压缩全局背景 Token、保留病斑关键 Token，并按内容自适应分配分辨率；第四环节为检测与对齐训练，微调视觉 — 语言模型，联合检测损失与保真约束，并对计算预算做联合优化；第五环节为成本 — 性能反馈，统计小病斑 AP 与漏检率，评估显存与计算量，更新路由与预算参数。流程下方设置训练反馈闭环，利用小病斑漏检与训练成本反馈，动态更新视觉 Token 的保留预算。建议验证指标包括小病斑 AP/Recall、视觉 Token 数量 / FLOPs、跨背景漏检率三项；拟保护焦点为病斑价值 — 计算预算联合更新规则，图中为示意设计，未经实验验证。整体在压缩计算开销的同时优先保住微小病斑的 Token 信息，平衡效率与早期小病斑检出