整体分为六个阶段。阶段 1 为真实数据：使用 10770 张温室番茄图像，标注类别、边界框与症状，按训练、元训练、验证、测试划分，并采用分组感知切分防止泄漏。阶段 2 为合成：构建 SGDA 候选池，借助语义提示与病斑掩码、LoRA 适配的潜扩散模型生成聚焦病害的合成变体，保留来源与随机种子等溯源信息。阶段 3 为过滤：设立病理质量门，检查病斑与标签的语义一致性、掩码保留与真实感，开展近重复与泄漏审计，剔除无效合成样本。阶段 4 为评分：梯度效用引擎实现可训练 LoRA 梯度对齐，依托独立的真实元数据集信号，结合类别覆盖与风险惩罚给出在线效用估计。阶段 5 为参数高效多模态训练：视觉编码器输出多尺度病斑 token 与区域特征框，可冻结或选择性 LoRA；经投影融合层完成图文对齐与病斑感知特征桥接，送入多模态大模型做 LoRA 微调与多任务头训练，覆盖病害识别、定位与问答并加权优化。阶段 6 为真实世界评估：类别级诊断看 Macro-F1 与少数类召回，病斑定位看 mAP50:95 与区域 IoU，跨温室鲁棒性看外部领域与失败审计，效率与校准看 GPU 成本、ECE 与可靠性。底部虚线反馈环用于更新采样预算与合成样本权重，严禁使用测试集；实线为训练数据流，虚线仅作训练集反馈，元训练集与模型选择验证集、最终测试集严格分离。