面向农业应用的通用大语言模型微调：基于Qwen3-8B的可复现框架与评估协议

# 通用大语言模型在农业应用中的微调：基于 Qwen3-8B 的可复现框架与评估协议
来源: https://arxiv.org/html/2606.28992
李朝阳1,\* 张瑞杰1 刘佳琪2 孙兆吉1 1三亚学院 2河北外国语学院 \*通讯作者：李朝阳，beijizhi@outlook\.com (https://arxiv.org/html/2606.28992v1/mailto:[email protected])

###### 摘要

通用大语言模型在开放域问答、信息抽取和文本生成方面展现了强大能力。然而，农业应用具有领域特异性、区域依赖性、时效性和安全关键性。缺乏数据治理、专家评估和证据约束的农业助手可能在作物病害、农药使用、施肥或政策解读方面给出不可靠的建议。本文不报告任何未经实际训练运行和专家评估产生的模型性能声明。相反，我们提出了 AgriTune-R，一个可复现、可审计的框架，用于将通用大语言模型适配到农业任务。该框架选择公开可验证的 Qwen3-8B 模型作为推荐基础模型，并整合了农业数据治理、指令构建、LoRA/QLoRA 参数高效微调、检索增强生成、专家评估和高风险问题的安全控制。贡献包括：(1) 一个结构化的农业大语言模型适配工作流；(2) 一个涵盖农业知识问答、病虫害咨询、栽培管理和政策解读的评估协议；(3) 一个结合事实性、安全性、证据一致性和不确定性表达的专家评审准则；(4) 协议设计与实证结论之间的明确区分，为未来实证研究提供可执行的基线。

关键词：农业大语言模型；Qwen3-8B；领域适配；LoRA；QLoRA；检索增强生成；农业问答；模型评估

## 1 引言

农业决策依赖于作物生理、病害症状、土壤条件、天气、当地政策、农药登记和实践栽培经验。尽管通用大语言模型能够处理自然语言问题，但其参数化知识并不保证包含当前、本地或符合安全规范的农业信息。在面向农民的咨询中，一个流畅但错误的答案可能导致农药误用、病害防治延误、经济损失或食品安全风险。因此，农业大语言模型研究不仅应评估流畅性，还应评估数据来源、证据链、专家评审、风险控制和部署责任。

近期研究表明，农业基础模型和领域专用的大语言模型系统前景广阔，但也面临数据质量、基准设计、幻觉和部署安全性方面的挑战\[8 (https://arxiv.org/html/2606.28992#bib.bib8),9 (https://arxiv.org/html/2606.28992#bib.bib9),10 (https://arxiv.org/html/2606.28992#bib.bib10),11 (https://arxiv.org/html/2606.28992#bib.bib11)\]。AgriBERT 将农业和食品相关知识注入语言模型，用于匹配食品描述和营养数据\[7 (https://arxiv.org/html/2606.28992#bib.bib7)\]。AgroGPT 专注于农业视觉-语言指令构建和多模态对话\[9 (https://arxiv.org/html/2606.28992#bib.bib9)\]。ShizishanGPT 整合了检索增强生成、知识图谱和工具使用，用于农业问答\[10 (https://arxiv.org/html/2606.28992#bib.bib10)\]。AgriGPT 进一步强调数据引擎、领域专用基准和多通道检索增强\[11 (https://arxiv.org/html/2606.28992#bib.bib11)\]。这些研究表明，农业助手的评估不应仅仅看其是否回答，还应看其回答是否有依据、是否安全、是否可审查。

本文明确其研究定位。这不是一篇声称模型已训练并取得数值提升的报告。相反，这是一篇方法和评估协议论文，旨在为未来的实证微调研究提供一个完整、可执行、可审计的基础。为确保模型来源的准确性和可复现性，我们选择 Qwen3-8B 作为推荐基础模型。Qwen3 技术报告和官方仓库列出了公开可用的 Qwen3 模型规模，包括 0.6B、1.7B、4B、8B、14B、32B 和 MoE 变体；因此，8B 规模模型适用于一篇可复现的论文\[1 (https://arxiv.org/html/2606.28992#bib.bib1),2 (https://arxiv.org/html/2606.28992#bib.bib2)\]。

本文的主要贡献如下：

1. 我们提出了 AgriTune-R，一个整合了农业数据治理、指令微调、检索增强生成和安全评估的框架。
2. 我们提供了一个基于 Qwen3-8B 的适配协议，同时避免了不可验证的模型名称和未执行的性能数字。
3. 我们设计了一个农业评估协议，涵盖知识问答、病虫害咨询、栽培管理、政策解读和高风险拒绝。
4. 我们提供了实用的表格和执行规则，用于专家评分、证据一致性、风险控制和可复现性日志记录。

## 2 相关工作

### 2.1 通用大语言模型与参数高效适配

通用大语言模型通过大规模预训练获得语言理解、推理和生成能力。将这些模型适配到专门领域时，全参数微调可能成本高昂且数据需求大。LoRA 冻结预训练权重并注入可训练的低秩矩阵，从而减少可训练参数数量\[4 (https://arxiv.org/html/2606.28992#bib.bib4)\]。QLoRA 通过量化基础模型权重来训练 LoRA 适配器，进一步降低内存需求\[5 (https://arxiv.org/html/2606.28992#bib.bib5)\]。这些方法使得大学、地方推广服务机构以及计算资源有限的小型研究团队能够进行农业适配。

### 2.2 检索增强生成

农业知识随时间变化。农药登记、地方政策、病虫害警报和天气相关建议可能会过时。仅依赖模型参数可能产生过时或无法支持的答案。检索增强生成为生成模型提供外部证据，使答案更具可追溯性\[6 (https://arxiv.org/html/2606.28992#bib.bib6)\]。在农业领域，RAG 特别适用于推广手册、政策解读、病害防治指导和安全标准检查。

### 2.3 农业语言模型与多模态模型

农业模型研究正从单任务模型向领域基础模型和模型生态系统发展。AgriBERT 解决了农业与食品相关文本中的语义匹配问题\[7 (https://arxiv.org/html/2606.28992#bib.bib7)\]。关于智慧农业基础模型的综述强调了连接语言、视觉、多模态和决策任务的需求，同时考虑数据质量和部署风险\[8 (https://arxiv.org/html/2606.28992#bib.bib8)\]。AgroGPT 展示了专家调优的农业视觉-语言数据可以减少领域差距\[9 (https://arxiv.org/html/2606.28992#bib.bib9)\]。ShizishanGPT 和 AgriGPT 强调了检索、知识图谱、工具使用和领域专用评估在农业问答系统中的重要性\[10 (https://arxiv.org/html/2606.28992#bib.bib10),11 (https://arxiv.org/html/2606.28992#bib.bib11)\]。

## 3 模型选择与真实性原则

真实性是本研究设计的先决条件。任何未经实际训练运行、推理实验或专家评估支持的内容，均不作为实证结论撰写。模型选择遵循三个原则：公开可验证性、社区可复现性和可行的计算成本。基于这些原则，我们推荐 Qwen3-8B，而非不可验证的模型名称。

表1：选择基础模型的原则
## 4 AgriTune-R 框架

AgriTune-R 将农业适配分解为可审计的步骤，解决了常见问题，如数据来源不明确、训练过程不透明和评估不充分。完整工作流如图1 (https://arxiv.org/html/2606.28992#S4.F1) 所示。

农业数据源，许可，时效性指令数据任务，证据，风险Qwen3-8B可验证的基础模型LoRA/QLoRA PEFT适配专家评审与安全审计事实性，证据，安全性知识库政策/标准/手册RAG上下文中的证据该图仅为工作流描述；在真实训练和专家评估前不报告任何性能数字。

图1：AgriTune-R 概览。该图描述了方法工作流，不报告实验结果。### 4.1 数据治理

农业数据应来自权威、许可、可追溯的来源，例如政府文件、推广手册、作物栽培教科书、农药标签与登记规则、农业标准、专家审阅的问答以及适当许可的数据集。每个样本必须保留来源、发布日期、许可状态、任务类型、证据段落和审阅记录。数据治理流程如图2 (https://arxiv.org/html/2606.28992#S4.F2) 所示。

1. 来源记录机构，日期，区域2. 许可检查版权与范围3. 质量过滤去重，隐私，时效4. 专家评审术语与安全边界5. 版本发布数据卡与审计日志可追溯的来源许可使用已删除隐私可审阅的版本化发布每个样本存储来源、日期、许可状态、任务类型、证据段落和审阅记录。

图2：农业数据治理与样本构建流程。表2：农业数据源的准入与排除规则
### 4.2 任务与指令构建

农业指令数据不仅应包含问题和答案，还应包含任务类型、作物、区域、生长阶段、证据、风险级别和不确定性注释。推荐的样本结构如下：

> instruction: 基于证据解释水稻稻瘟病的典型症状和防治原则。context: 作物=水稻；区域=华南；生长阶段=分蘖期；evidence=某推广手册第X节。response: 描述症状、可能原因、田间确认步骤、防治原则以及需要当地专家咨询的情况。safety: 不要提供标签外农药用量；不要替代现场植保诊断。

### 4.3 参数高效微调方案

设预训练权重为W0W\_\{0\}。LoRA 将权重更新表示为低秩分解：

W=W0\+ΔW=W0\+BA,W=W\_\{0\}\+\\Delta W=W\_\{0\}\+BA,\(1\)其中A∈Rr×dA\\in\\mathbb\{R\}^\{r\\times d\},B∈Rd×rB\\in\\mathbb\{R\}^\{d\\times r\},且rr为秩。训练期间，W0W\_\{0\}被冻结，仅优化低秩矩阵。如果使用 QLoRA，基础模型以量化形式存储，而梯度通过 LoRA 适配器传播。我们推荐 Qwen3-8B 作为未来实证实验的基础模型，并要求所有训练配置在模型卡中公开。

图3 (https://arxiv.org/html/2606.28992#S4.F3) 显示了推荐的 LoRA/QLoRA 适配结构，并明确了在未来的实证运行中哪些模块应记录为可训练或冻结。

农业指令证据与风险标签上下文打包输入与目标冻结基础模型Qwen3-8B监督损失适配器更新农业适配器版本化发布可训练的 LoRA注意力可训练的 LoRAMLP/FFN

图3：基于 Qwen3-8B 的 LoRA/QLoRA 适配结构。灰色模块表示可训练适配器；该图描述了训练结构，并未声称训练已完成。表3：可复现实证微调的推荐配置记录
### 4.4 检索增强生成

农业知识库应作为独立模块维护。每个条目应包含原始文本、来源、发布日期、适用区域、主题标签和可引用段落。对于高风险农业问题，模型应基于检索到的证据进行回答。如果证据不足，模型应表达不确定性或建议咨询当地农业专家。RAG 不能保证正确性：检索召回率、证据排序和引用质量必须单独评估。

图4 (https://arxiv.org/html/2606.28992#S4.F4) 进一步说明了农业 RAG 的证据流程。在生成之前，应完成来源过滤和证据充分性检查。

用户问题作物/区域/症状查询重写术语标准化农业知识库政策/标准/手册混合检索关键词+向量重排序与过滤时间/区域/许可证据提示段落+限制答案生成依据/建议/不确定性若证据不足则降级或拒绝

图4：农业检索增强生成流程。该图强调证据选择与不确定性处理，而非性能。

## 5 评估协议

农业大语言模型评估不应仅依赖通用问答指标。本文将评估分为五个任务：农业知识问答、病虫害咨询、栽培管理、政策解读和高风险拒绝。每个任务需要不同的评估维度，如表4 (https://arxiv.org/html/2606.28992#S5.T4) 所示。

在真实实验完成后，评估不应止步于自动指标。图5 (https://arxiv.org/html/2606.28992#S5.F5) 给出了专家评审、分歧裁决和数据改进的闭环。

分层测试集任务/作物/区域/风险模型输出答案+证据自动检查格式/引用/禁止项双专家评审事实性/安全性/可操作性裁决错误分类评估卡方法、限制、示例将错误反馈至数据治理

图5：真实实验后的农业模型评估闭环：人工审核与错误分析。表4：任务覆盖范围与所需评估维度。✓\\checkmark符号表示需要评估，而非模型得分。表5：专家评审准则表6：测试集推荐构成
## 6 安全控制与责任边界

高风险农业问题包括农药用量、病害误诊、食品安全、政策资格、极端天气响应和经济投入决策。模型绝不能替代当地推广专家、植保人员或政府部门的最终判断。高风险问题应遵循风险检测、证据检索、证据充分性判断、答案生成、拒绝或人工升级以及审计日志记录，如图6 (https://arxiv.org/html/2606.28992#S6.F6) 所示。

用户问题作物、区域、症状风险检测农药、诊断、政策证据检索标准、标签、手册证据充分？基于证据的答案并附边界拒绝或升级更安全的替代方案审计日志证据、风险、输出是否

图6：高风险农业问题的安全控制工作流。表7：高风险农业问题的处理规则从系统部署角度看，农业问答系统应包括输入匿名化、风险分类、检索服务、输出护栏和人工升级。图7 (https://arxiv.org/html/2606.28992#S6.F7) 展示了这些责任边界。

农民/推广用户移动或Web输入