该图对比了“双端协同LoRA”与“大豆渐进微调”两种方法，探讨病斑信息如何通过参数更新与课程安排进入大模型。左侧双端协同LoRA聚焦梯度路径：视觉编码器与语言模型两端均加入低秩增量（LoRA），由统一的自回归生成损失提供监督，文本损失直接反馈至视觉适配器，实现“文本监督参与视觉表征调整”。图中强调全链路可反传不等于全部参数更新。右侧大豆渐进微调聚焦训练配置与数据顺序：先在辅助视觉Transformer上进行贝叶斯调参，将得到的超参数迁移给Qwen2.5-VL-3B进行参数高效适配，并采用“分阶段引入样本→继续适配模型→验证与任务评价”的渐进训练组织方式。该图逻辑清晰，对比了参数更新与课程设计两条路径。对于正在设计微调策略的算法工程师、钻研课程学习与参数迁移的研究生，以及希望将视觉-语言模型落地于农业场景的交叉学科专家而言，这份对比能提供清晰的架构参考。