该框图对比了植物病害模型的四种研究方法：A（AgriExpert+语言模型）输入图像与问答指令，视觉提取多尺度特征，语言侧用LoRA更新，准确率由98.74%降至外部独立集的89.52%；B（DPHI）基于少量图像与类别文本，双提示在编码层交互，原型移动平均更新，在铜川苹果集上取得92.11%宏准确率和92.20%宏F1；C（SAFusion-CLIP）输入图像与症状描述，动态分配图文权重并重构特征，准确率从97.21%提升至98.42%，证明了保留融合的有效性；D（DRA/RRA）利用跨层相似性与梯度信息分配低秩参数，在小麦数据集上将全量参数从74.67M大幅压缩至2.66M，实现极简轻量化。总体而言，该图直观对比了多模态微调、少样本学习、图文融合及参数高效微调在农业领域的表现，无论你是从事农业AI研发的算法工程师、寻求轻量化部署的技术人员，还是研究多模态融合的科研学者，都可以从中获得实证参考。