AgroNVILA：面向多视图农业多模态大语言模型的感知 - 推理解耦

农业多模态推理需具备跨尺度的鲁棒空间理解能力。现有模型存在“以地面为中心”的偏差，导致复杂规划中出现尺度混淆与逻辑漂移。为此，本文构建了首个大规模多视图训练语料库 AgroOmni，并提出 AgroNVILA 模型。该模型采用新颖的感知 - 推理解耦架构：感知端引入视图条件元网络注入宏观空间上下文以消除尺度歧义；推理端利用农业感知相对策略优化，通过强化学习使决策对齐专家逻辑。实验表明，该方法在多高度农业推理任务上显著优于现有最先进模型。