展示了“证据缺口驱动的主动补拍与反馈训练”研究框架，核心探讨在遇到不确定病斑时，模型能否选择下一次有效观测，并减少无依据诊断与采集成本。框架分为三大模块：模块A聚焦当前观测与证据状态，基于诊断大模型与校准模块输出候选病种、区域与证据完整度，结合病斑分辨率不足、遮挡等证据缺口及采集成本共同形成状态向量。模块B进行受预算约束的动作选择，利用可训练采集策略（如局部近拍、补拍叶背、改善视角或停止复核）以最大化证据增益与成本平衡，并强调动作必须产生真实新观测，严禁原图裁剪作弊。模块C构建真实观测闭环与训练信号，真实执行动作后更新证据状态，通过专家核验判定增益，形成包含状态-动作-观测-结果的训练轨迹。底部给出了训练路线（专家动作模仿→离线策略学习→受控现场验证）及复合奖励函数公式（正确诊断奖励+证据增益-采集成本-无依据陈述惩罚）。验证设计明确了真实多视角轨迹、等采集预算对照及效益与可靠性指标。