详细对比了六项研究：01 LeafNet / LeafBench 使用186,000张叶片图像（97类病害），通过“叶片图像+元数据”进行VLM多任务评测，贡献在于六类病害理解任务及暴露细粒度病原识别短板，但主要贡献是数据与基准；02 TomaMMU / TomaBench 基于28,909张番茄图像（15类），结合人工问答构建三级七任务体系，实现从基础感知到专家诊断，主要贡献为评价体系与人标资源；03 PlantExpertVQA 拥有150,841张图像（38作物89状态），采用“病理知识卡+图像”的两阶段生成与专家审查，并做轻量模型领域适配，侧重于专家标注的数据资源；04 PD-CLIP 基于UE5生成的病理图文，通过双流CLIP+LoRA实现域适配与零样本诊断，贡献为三维仿真数据与真实域确定，边界在于其诊断特性；05 SOLAR 使用41,677张番茄图像及216,209问答，通过Fusion Expert专家融合进行多任务生成式回答，探索了多任务专家融合；06 PlantInquiryVQA 基于24,964张专家图像与138,078组问答，采用视觉证据与诊断意图的有序追问（Chain of Inquiry），实现多轮推理基准验证。适用于多模态大模型与计算机视觉领域的研究人员、智慧农业与植物病理学专家、自然语言处理（NLP）算法工程师以及AI学术论文撰写者。