详细解析了DPHI模型的核心架构与实验结果。该模型以冻结CLIP主干为基础，仅训练少量提示参数，旨在解决少量样本下的植物病害识别难题。图表分为两大核心模块：图a展示了“多层提示交换”机制，在视觉侧与文本侧分别生成提示向量，从浅层到深层通过“类别掩码”进行双向交叉注意力交互，使图像特征与文本语义在每一层逐步对齐与融合。图b则演示了“类别原型更新”过程，用点代表样本、菱形代表旧原型、箭头指示更新方向，说明模型利用指数移动平均（EMA）策略在训练中持续维护并优化每个类别的视觉原型，从而增强特征的鲁棒性。图下半部分列出了模型的训练目标，包括交叉熵、相对距离损失和文本分散损失，并展示了在“铜川实采苹果病害”数据集（每类仅16张样本）上的优异表现：宏平均准确率达到92.11%，宏平均F1分数达到92.20%。整张图清晰地呈现了从架构设计到训练策略，再到实证评估的少样本学习闭环。