该框图展示了识别病名与回答病害问题这两项任务的独立训练与评估方案。左侧“视觉侧/AgriExpert”任务中，模型利用Swin-Tiny提取多尺度病斑特征，结合共享投影与多物种专家分类头，实现30种作物、157个类别的识别。其评估结果显示，原分类任务准确率达98.74%，外部独立集为89.52%，模拟极端噪声下仍保持86.82%的准确率。右侧“语言侧/四种轻量大模型”任务中，研究采用LoRA指令微调学习领域问答，并在推理时检索文献片段辅助生成答案，通过文本重合度进行测量。评估数据显示，在4bit量化下，Mistral-7B模型的BLEU-1和ROUGE-L得分分别为0.3142和0.2747，优于Qwen2.5-7B。整张图清晰地揭示了“视觉分类”与“语言生成”双轨并行的评估逻辑，为智慧农业病害诊断提供了详实的量化指标。适合农业信息化研究者、多模态AI算法工程师及智慧农业高校师生参考。