该框图展示了SAFusion-CLIP模型关于“自适应图文融合与自监督重构”的消融实验结果，旨在验证各模块对模型性能的贡献。图表按测试准确率排列了三组配置：M2组“去除自监督与适应性融合”的准确率为97.21%，F1分数为96.95%；M1组“去除自监督，保留适应性融合”的准确率提升至98.42%，F1分数达98.14%；而M3组“作者报告的完整模型”表现最佳，准确率高达99.67%，F1分数为99.62%。图文底部总结了关键结论：M1比M2高出1.21个百分点，证明“适应性融合”模块有效；M3比M1高出1.25个百分点，证明“自监督重构”模块同样有效，两者共同构成了完整模型的性能优势。此外，图中还特别指出了原文表3与备注的表述矛盾，并给出了数据解读建议。整体直观地证明了自适应融合与自监督重构在提升植物病害识别精度上的关键作用。适合农业信息化研究者、多模态AI算法工程师及智慧农业相关高校师生用于了解模型模块有效性验证的方法。