该框图展示了“同一病叶，两类训练目标”的对比，聚焦AgriExpert模型及四种轻量语言模型的领域微调方法。其核心在于视觉侧与语言侧的协同分工：视觉侧利用多尺度病斑特征预测病名，并通过识别结果将信息传递给语言侧；语言侧则学习组织领域回答，依据问答指令进行LoRA参数更新，并在生成时检索相关文献。在识别准确率方面，模型在三种测试条件下表现各异：原分类任务高达98.74%，外部独立集下降至89.52%，模拟极端噪声条件下为86.82%。此外，问答另评显示，微调后的Mistral-7B-4bit模型ROUGE-L为0.2747。该图清晰直观地呈现了视觉诊断与语言问答在轻量模型中的联合优化逻辑及泛化挑战。无论你是探索多模态模型微调的科研人员、需要评估模型鲁棒性与部署效果的算法工程师，还是致力于将AI问答系统落地于农业场景的产业开发者，都能从中获得有价值的实验数据与架构参考。