该框图提出需依次对照更新位置、视觉信息来源和测试目标，以分清模型改变了什么，从而判断哪篇最适合作为实验基线。图表通过对比表格详细列出了三篇论文的差异：1.双侧 LoRA：研究对象为Qwen2.5-VL视觉语言大模型；主要变量是低秩适配放在哪一端；在同一训练语料及秩等超参数下保持可比；测量能力为跨数据集识别已知病名；代表性读数从跨域Top-1 85.5%提升至96.0%；箭头含义从“仅视觉端”转变为“双端低秩适配”。2.BLAP：研究对象为BLIP-2生成式视觉语言模型；主要变量是是否添加多尺度与提示融合模块；在同一基座与LoRA基线保持可比；测量能力为识别病名并生成症状描述；代表性读数从准确率71.11%提升至92.78%；箭头含义从“仅LoRA”转变为“同时加两个融合模块”。3.未知病害检测研究：研究对象为预训练视觉骨干（表6对照）；主要变量为视觉提示、全参或线性头微调；在同一骨干、每类8张、同一评分下保持可比；测量能力为区分已知样本与未知病害；代表性读数从AUROC 92.43%提升至94.30%；箭头含义从“全参数”转变为“视觉提示微调”。