该图展示了四种模型在参数更新路径、损失函数及训推解耦方面的优化机制：双侧协同LoRA（Plants 2026）打破了仅微调语言侧的传统，实现视觉与语言双端LoRA参数更新，让语言生成损失反传至视觉编码器，增强视觉表征；MTL-AWL（Sensors 2026）重点解决训推分离问题，训练阶段输入图文并进行文本部分遮蔽，通过权重可学习的联合损失（含InfoNCE、注意力多样性等）优化，部署阶段则直接跳过文本编码，仅依赖图像分支推理；大豆渐进微调（Agronomy 2026）针对小样本泛化，利用ViT辅助与贝叶斯寻优获取超参并迁移至Qwen-VL，随后进行分阶段渐进LoRA微调，以评估跨分辨率泛化能力；PlantExpertVQA（Scientific Data 2026）作为非主创新验证，基于结构化知识卡片与专家问答数据，对2B多模态模型进行部分PEFT微调，并利用多任务指标评价其数据价值。该内容适用于从事多模态大模型训练架构与部署的算法工程师、专注参数高效微调（PEFT）与损失函数优化的科研人员、智慧农业领域的技术专家、计算机视觉方向的研究生，以及负责农业AI产品落地的产品经理。