AgriChain：面向可解释农业视觉语言模型的专家验证推理数据集

本文介绍AgriChain数据集，包含约11000张专家精选植物叶片图像，每张配有疾病标签、置信度评分及专家验证思维链推理。基于该数据集微调的AgriChain-VL3B模型在植物病害诊断上超越Gemini、GPT-4o等强基线，为可解释农业AI提供关键支持。

全球每年因病虫害损失20%-40%作物产量，专业病理学家稀缺。通用视觉语言模型（VLMs）在农业应用中存在两大问题：1. 缺乏农业场景专门训练，难以识别细微病害特征；2. 黑箱式预测缺乏可解释性，难以获取农民信任。

AgriChain数据集含11000张叶片图像，标注包括疾病标签、校准置信度评分、专家验证思维链推理。标注生成采用人机协作：GPT-4o生成草稿，农业工程师审核修正，确保专业一致。基于Qwen2.5-VL-3B微调的AgriChain-VL3B模型，通过多任务学习同时进行病害分类与推理生成，提升准确性与可解释性。

测试集上AgriChain-VL3B取得73.1%Top-1准确率，宏平均F1=0.466，加权F1=0.655，显著超越Gemini 1.5 Flash、Gemini2.5 Pro、GPT-4o Mini等通用模型。其生成的推理解释与专家推理高度对齐，稳定引用关键视觉线索，兼具可信度与教育价值。

技术贡献：1. 首批大规模带专家思维链标注的农业VL数据集；2. 人机协作标注流程实现scalable领域知识获取；3. 证明专门化微调可超越通用大模型。对可持续农业意义：减少农药滥用、促进农业知识传播、降低AI准入门槛，推动技术普惠。

局限：数据集以叶片为主，覆盖作物部位有限；地域气候针对性强，跨地域泛化待验证。未来方向：扩展数据集至更多作物部位与类型；融合多模态数据（图像+传感器+气象）；开发移动端应用方便农民使用。