该图展示了植物病害视觉语言模型训练研究中的一项配对比较结果（基于CDDM原文表1，以Qwen-VL-Chat-AG为基座）：相较于“冻结视觉编码器”的配置，当“视觉侧参与LoRA”微调后，模型的作物分类准确率从84.4%提升至97.4%（增加13.0个百分点），病害分类准确率从66.1%大幅跃升至91.5%（增加25.4个百分点），但病害知识问答评分（由GPT-4对20道题评分后折为百分制）从88.5分轻微下降至84.0分（降低4.5分）。该数据直观表明，让视觉侧参与参数更新能显著增强模型对图像特征（尤其是病害细节）的感知与分类能力，但可能会在一定程度上牺牲模型原本的纯文本知识问答能力。该内容适用于从事多模态大模型微调策略设计与消融实验的算法工程师、专注视觉-语言模型表征对齐与灾难性遗忘问题的科研人员、智慧农业技术专家、计算机视觉方向研究生及农业AI产品经理。