无人机遥感技术已成为作物育种中的一项关键技术，可实现作物表型数据的高通量、无损采集。然而，育种的多学科性质给知识挖掘带来了技术壁垒和效率挑战。因此，开发一种智能育种目标工具对跨域多模态数据的挖掘具有重要意义。基于Qwen-VL、InternVL、Deepseek-VL等不同的预训练开源多模态大型语言模型（MLLMs），采用监督微调（supervised fine-tuning，SFT）、检索增强生成（retrieval-augmented generation，RAG）和人类反馈强化学习（reinforcement learning from human feedback，RLHF）等技术，将跨领域知识注入MLLMs，构建小麦育种多模态大型语言模型（large language models for wheat breeding，WBLMs)）。上述WBLM采用本研究新建立的评价基准进行评价。结果表明，采用SFT、RAG和RLHF技术和InternVL2-8B构建的WBLM具有领先的性能。然后，使用WBLM进行后续实验。消融实验表明，SFT、RAG和RLHF技术的结合可以提高整体生成性能，提高生成质量，平衡生成答案的时效性和适应性，减少幻觉和偏差。WBLM同时利用遥感、表型、天气、种质等多域数据进行小麦产量预测的效果最好，R2和RMSE分别为0.821和489.254 kg/ha。此外，WBLM还可以为表型估计、环境胁迫评估、目标种质筛选、栽培技术推荐和种子价格查询等任务提供专业的决策支持答案。本研究旨在为实现小麦育种目标提供智能化、集成化的解决方案，帮助育种工作高效开展，加快良种选育进程，为实现农业可持续发展和保障粮食安全提供科学依据和技术支撑。

图1  (a)实验场址。(b)多源数据采集。

图2  小麦育种多模态大语言模型的构建与应用。(a)多源数据集构建。(b)外部领域知识库建设。(c)使用监督微调、检索增强生成和基于人类反馈的强化学习来构建具有领域知识的WBLM。(d)将用户的问题（图文）发送到WBLM。(e)野生动植物保护组织回答这个问题。

图3  不同MLLMs在评价基准（准确率）上的比较。

图4  不同MLLMs在评价基准（稳定性）上的比较。

图5  不同MLLMs在评价基准（推理）上的比较。该图显示了单个MLLM多次测试后的总推理分数占所有分数的比例。

图6  不同领域知识技术组合方法对不同任务的预测性能。

图7  实测与预测小麦产量的交叉验证散点图。黑色实线表示1:1关系。紫色虚线右侧的蓝色点代表小麦产量超过4230.2 kg ha-1的种质。

图8  不同MLLMs的表型（产量）估计示例。

图9  不同MLLMs的目标种质筛选实例。

图10  不同MLLMs的环境胁迫评估举例。

图11  不同MLLMs的栽培技术推荐实例。

图12  不同MLLMs的查询种子价格的例子。