该流程图对比了PlantExpertVQA与Agri-R1两种不同层级的贡献路径。PlantExpertVQA侧重构建可训练的问答数据，整合图像、类别元信息与结构化知识卡，经模板生成、语言改写、质量检测与专家复核，产出15万+图像、76万+问答对及203张知识卡，并通过小规模LoRA适配验证其训练价值，其定位是领域监督构建而非优化器创新。Agri-R1则侧重用领域奖励更新策略，通过病图问答推理生成、模型评审筛选构建数据，采样多组候选回答，利用格式、答案匹配与推理文本质量规则计算领域奖励，再结合组内相对优势与GRPO策略更新模型，将农业要求转化为可计算反馈。底部延伸分析提出可检验方案：将作物、病原、症状写成知识卡并用独立图像核验，奖励方案需比较词汇正确性、病斑依据与长尾类别加权。适用于研究农业多模态大模型数据构建与强化学习奖励设计的AI科研人员和算法工程师。