SAGE：作物病害诊断的可扩展代理基础评估

植物病害诊断对于粮食安全至关重要，但训练适用于作物、病原体和田间条件的疾病识别模型仍然具有挑战性，因为标记的病害图像远不如昆虫或杂草等其他生物胁迫的数据丰富和标准化。前沿视觉语言模型通过改进的视觉推理提供了新的机会，但由于缺乏结构化的、作物特定的症状知识，它们仍然难以进行细粒度的疾病识别。为了弥补这一差距，我们整理了迄今为止最大的植物病害图像-症状数据集，涵盖 335 种作物、1{,}251 个疾病类别和大约 839K 图像，旨在支持 无需训练（媒介病害预测）​​。可扩展的自动化管道生成基于来源的症状描述，其中每个声明都链接到逐字的网络引用；领域专家验证农作物样本并协调跨来源的疾病名称变体。作为基线，我们引入了一种自主视觉推理代理，它可以识别解剖结构，使用症状知识缩小候选疾病范围，顺序比较参考图像，并产生完全可解释的推理轨迹。在完整的参考预算下，纳入症状知识的准确性平均提高了 16.2 个百分点，所有四种评估作物的收益均一致。由于该框架只需要特定作物的参考图像和症状知识，因此无需重新训练即可扩展到新作物，而代理基线可以直接受益于基础模型能力的未来改进。数据集和代码可在：https://sage-dataset.github.io/ 获取。