基于原论文方法（Qwen2.5-VL-7B），解析了视觉与语言自注意力中的低秩适配（LoRA）机制。图中清晰呈现了数据流与参数更新链路：输入病叶图像后，首先进入视觉编码器（含自注意力层），提取出视觉表示并传递给语言模型（含自注意力层），最终生成诊断答案词元。在模型结构下方，分别为视觉编码器和语言模型配置了LoRA模块（公式为 ΔW = BA）。底部红色箭头展示了关键的更新机制：答案的自回归损失沿计算图反传，该梯度同时流向语言模型侧的LoRA模块和视觉编码器侧的LoRA模块，从而实现了在生成一个诊断答案的过程中，视觉侧与语言侧参数的协同更新。内容适合多模态大模型算法工程师、视觉语言模型（VLM）微调研究人员、智慧农业领域AI开发者以及关注参数高效微调（PEFT）技术的研究生阅读参考。