该图将农业大模型的技术路线严格划分为四大范式，提示研究者不可混为一谈，并建议从参数更新、生成能力、检索代理及传感器依赖四个维度来理解相关文献。A. 生成式视觉语言大模型：通过“图像编码器+跨模态投影器+LLM解码器+LoRA”架构，更新视觉/语言参数，直接输出类别与诊断文本（如AgroGPT）。B. 图文表征对齐与融合：利用“图像/病灶编码器+文本编码器”，结合对比损失进行特征融合，更新图文表征参数，侧重输出相似度或类别（如PD-CLIP）。C. 训练免/检索增强诊断系统：基于已训练模型，通过提示演化、KNN质询与检索投票进行决策，参数不更新，性能改进发生在推理端（如AgriMAPO）。D. 环境时序与农生态融合：融合RGB图像与温湿度等传感器数据，通过时序注意与门控机制训练识别网络（如Greenhouse Temporal）。该图逻辑严密、边界清晰，能有效纠正技术概念混淆。对于需要厘清底层微调与架构创新的算法研究员、钻研跨模态检索与知识增强的AI工程师，以及试图打通环境时序数据与视觉模型的农学交叉学者而言，这都是一份不可或缺的技术定位指南。