的学习笔记与心得分享，受个人学识与理解所限，文中对论文内容的解读或有不够周全之处，一切以原论文正式表述为准。本文仅用于学术交流与传播，内容均由作者独立整理完成，不代表任何平台或机构立场。模型规模分为四个版本：Femto、Tiny、Small、Base，对应不同的通道数和Block堆叠数量。如文中所涉文字、图片等内容存在版权争议，请及时与作者联系，作者将在第一时间核实并妥善处理。其中 (G, I,

在多模态大语言模型（MLLMs）席卷通用视觉领域的当下，红外图像这一具有“全天候感知”能力的特殊模态，却因数据稀缺、模态特性差异大等问题，成为多模态理解的“盲区”。哈尔滨工业大学与鹏城实验室联合团队提出的Infrared-LLaVA，通过辩论式多智能体数据生成、专属基准构建与精细化模型训练，构建了一套完整的红外图像理解解决方案。本文将从技术原理、核心公式、实验细节到文章关键图片解读，全面拆解这一创

在农业现代化进程中，精准识别作物病害、虫害、杂草，以及科学进行田间管理，是保障作物产量、实现可持续生产的关键。近年来，视觉语言模型（VLMs）凭借强大的跨模态理解能力，在通用领域展现出巨大潜力，但在农业这一高度专业化的场景中，却因缺乏全面、权威的评估基准而发展缓慢。由大阪大学、京都大学等机构联合推出的AgroBench（农学家AI基准），填补了这一空白——它由农业专家标注，覆盖7大农业核心任务、2

在多模态大语言模型（MLLMs）席卷通用视觉领域的当下，红外图像这一具有“全天候感知”能力的特殊模态，却因数据稀缺、模态特性差异大等问题，成为多模态理解的“盲区”。哈尔滨工业大学与鹏城实验室联合团队提出的Infrared-LLaVA，通过辩论式多智能体数据生成、专属基准构建与精细化模型训练，构建了一套完整的红外图像理解解决方案。本文将从技术原理、核心公式、实验细节到文章关键图片解读，全面拆解这一创