这张图聚焦“植物病害大模型”的少样本适配方法，以HCA-CLIP为例，针对“病害间症状相似、同一病害受光照与背景影响”的问题，在通用CLIP视觉语言知识与少量标注样本的基础上，实现细粒度病害分类。图中梳理了三种细化路径：一是层级差分特征细化，从中间层表征提取互补的细粒度信息，从而细化病害表征，改变的是视觉表征；二是多视图监督对比学习，通过多视图与类别监督，提高类内紧凑与类间区分度，改变的是监督目标；三是自适应去混淆，协调通用CLIP知识与病害视觉证据，进行预测校准以减轻相似病害混淆，改变的是预测融合。底部延伸分析提出可检验方案：优先检验相似病害与非病害胁迫的混淆，固定少样本预算分别关闭三种机制，并增加跨基地测试与混淆矩阵，检查总体指标提升是否掩盖了罕见病害退化。适用于研究农业视觉大模型小样本微调、特征对齐与细粒度分类的AI科研人员和算法工程师。