该框图展示了“从病害文本到可部署的实体抽取模型”的完整训练路径，分为三个核心环节：A. 任务与标签：以“番茄叶片出现褐斑”为例，使用CropDiseaseNet采用的BIO标注法，将文本中的实体起点、内部及非实体分别编码，目标是抽取文本中实体的边界与类别（如“番茄”为作物，“褐斑”为危害症状）；B. 训练信号：引入DeepSeek-R1-671B作为教师模型，负责生成解释及对应标签、筛选训练样本并构造反事实训练材料；C. 学生模型：将教师产生的监督信号传递给较小规模的学生模型系列（涵盖DeepSeek、Qwen、Llama，参数规模从1.5B、7B到14B），通过LoRA监督微调进行训练。该过程清晰展示了教师生成监督、学生通过低秩适配学习抽取实体的蒸馏机制，最终服务于可部署的轻量化实体抽取模型。无论你是研究知识蒸馏与信息抽取的科研人员、探索大模型轻量化落地的算法工程师，还是致力于将文本挖掘技术应用于农业领域的开发者，都能从中获得清晰的训练流程参考。