该框图展示了“多作物诊断”中图像识别与语言问答分别训练的模型架构及评估成果。在“图像识别”模块，研究使用了138,499张标注图像（涵盖30种作物、157类），通过“Swin-Tiny”骨干网络进行多尺度特征融合，并针对不同作物分配专家分类头以输出病害类别，其157类总体识别准确率高达98.74%，外部独立数据集测试准确率为89.52%。在“语言问答”模块，研究基于54,297条对话样本，采用LoRA指令微调技术对四种轻量语言基座进行训练，使其掌握症状、病因及防治等问答能力，并在生成时检索文献片段以支持回答溯源，微调后的Mistral-7B-4bit模型ROUGE-L指标达到0.2747。图底部特别标注了阅读要点，提示视觉准确率来自不同测试条件，且右侧问答指标专门用于评价语言输出。整张图直观地呈现了“视觉分类”与“语言生成”双管齐下的多模态AI农业应用方案。适合农业信息化研究者、计算机视觉与自然语言处理领域的AI算法工程师，以及智慧农业相关专业的高校师生用于了解多模态大模型在垂直领域的落地实践。