该图对比了两篇2026年代表性研究（DLCAF与SMART），解析了设施与病害诊断中训练机制与推理机制的分工。DLCAF采用“双层对齐与棚室决策”架构：输入端融合图像、疾病描述与专家病斑标注，训练端并行推进“全局疾病描述对齐”与“局部症状一致性学习”，最终推理输出“叶片预测→行/棚室空间聚合”的大模型管理报告。SMART则聚焦“语义精度与检索补偿”：对比结构化描述与LLM冗长描述，在训练侧利用非对称损失处理长尾问题，在推理侧采用“语义锚定+检索/KNN补偿”的双路径机制，结合人工复核流程。图底“对您选题的启示”明确指出，“病斑对齐+LLM报告”已有近邻工作，未来研究应聚焦于可验证的证据监督、失效处理或训练更新规则。该图逻辑严密，清晰揭示了训练与推理的解耦设计，极具科研指导价值。