这张图是一份关于“论文全景 | 病害理解 × 大模型训练”的文献综述图谱，基于13项2026年代表性研究，将核心内容严格划分为A与B两大贡献类型。A板块聚焦“植物病害多模态理解与模型”，展示了多项前沿数据集与基准，包括LeafNet（18.6万图像/97类病害）、TomaMMI（含专家诊断与细粒度评测）、PlantExpertVQA（结构化病害知识库）、Plant-InquiryVQA（观察证据推理）、PD-CLIP（病级图文双流对比学习）、SMART（病理描述与KNN检索）、SOLAR（多任务生成式诊断）、T-MLKM（轻量蒸馏）及MACM（跨模态融合）。这些研究展现了从图像分类向图文理解、多任务诊断演进的趋势，主要创新在于数据集构建、模态对齐与诊断机制。B板块聚焦“大模型训练方法创新”，对比了四种提升训练效率的算法：FROST利用真实任务梯度作效用锚点并校准历史批次；GrADS通过预训练梯度分布自适应选择子集；GRADFILTERING结合轻量代理与LoRA集成，按梯度信噪比排序；SSR则基于能力与交互风格画像进行次模覆盖优化，均致力于在降低计算成本的同时保持模型性能。适用于从事智慧农业、多模态大模型及AI训练算法优化的高校科研人员、算法工程师和相关专业的研究生。