该框图展示了农业视觉语言模型（AgroGround）的方法图谱，核心回答了“病名和位置，怎样写进同一个训练目标？”该研究基于8个农业问答数据源，包含794,850条正例指令。A（从图像到区域）：展示了叶片图像及标注框，指令包含“病斑级指令”（391,758条）和“对象级指令”（403,092条）。B（训练指令如何分流）：分为三类任务。一是“已知目标定位”：提示给出病名，模型输出目标名和区域框；二是“识别并定位”：提供四个同作物候选，模型需选择病名并给出区域框；三是“健康负例”：针对健康图像匹配作物病害查询，目标输出为空列表。C（两阶段更新）：第一阶段使用Qwen3-VL+LoRA进行混合指令监督微调，逐词预测答案；第二阶段引入GRPO并使用GSPO损失变体，从监督模型开始，增加密集病斑采样。