该框图通过多维度对比了三项研究：一是“多作物病害诊断与问答”，主要解决跨作物识别后给出有据回答的问题，训练对象为视觉专家头与问答模型的适配器，基础模型角色由Swin-Tiny识图、语言模型答题，输出病害类别及带文献支持的答案，外部识别准确率达89.52%，适合借鉴“把识别错误与回答错误分开测”；二是“棉花病虫害检测”，解决如何用农艺描述帮助定位病斑的问题，训练对象涉及文本适配、语义原型与检测网络，冻结CLIP提供图文表示，输出检测结果，棉花检测mAP达92.5%，适合借鉴“做固定视觉骨干的语义分支消融”；三是“水稻病虫害知识校验”，解决如何过滤知识图谱中的错误事实，训练对象为候选三元组的监督式校验器，基础模型Qwen2.5-7B经LoRA微调，输出经校验的实体关系三元组，三元组抽取F1达0.924，适合借鉴“为训练语料中的知识增加审核”。图表提示，若继续设施番茄病斑检测，优先看中列的语义原型；若转向语言模型训练，优先看左、右两列。该内容适用于人工智能与计算机视觉领域的科研人员、农业信息化专家、自然语言处理（NLP）算法工程师，以及致力于多模态大模型在垂直行业落地的开发者。