这张流程图详细展示了基于样本复杂度分级的设施蔬菜病害大模型训练方法。流程自步骤1至7递进：步骤1输入多源数据（棚室图像、环境农事、症状文本及病害严重度标签）；步骤2将症状描述转化为结构化符号序列；步骤3计算单样本复杂度C，右侧表格详细列出了症状基元数量、鉴别分支数量、环境耦合项及表型歧义度四个分量的定义，且各分量按最大值线性归一化；步骤4按复杂度划分K个训练子集（K取3至5），确保由低到高的课程顺序；步骤5针对第k阶段，以子集为输入，采用自回归损失、蒸馏损失与LoRA参数更新相结合的方式训练，并引入阶段权重λk；步骤6输出训练后的模型（半精度权重）以供边缘部署；步骤7为可选的误诊样本回流与再分级步骤，触发K+1阶段增量训练。右侧S5模块还明确了损失函数的构成要素。