把一张图压成几张小便签交给 AI，它跑得更快，却也更容易漏掉关键细节。LT-OPD 想解决的正是这个取舍：当多模态大语言模型（能同时理解图像和文字的模型）只保留极少视觉 Token——也就是机器读取画面的基本单位——如何尽量找回丢失的能力。
它最妙的一步，是让压缩后的“学生”先自己作答，再让读取完整画面的同一模型充当“老师”，沿着学生实际走过的答题路径逐步纠正。这叫在线自蒸馏：训练针对模型部署时真正会犯的错，而非只照着固定范例模仿。为避免一开始压缩过猛、学生连有效答案都生成不了，训练还会逐渐收紧 Token 预算。
据作者在九项基准上的实验，Qwen3.5-4B 仅保留 5% 视觉 Token 时，相对完整模型的平均性能由未经适配的 68.6% 回升至 82.3%，并超过同预算下最强基线的 77.6%；KV Cache（生成时保存中间结果的“草稿纸”）用量和预填充计算量分别下降 85.2% 和 85.4%，且不增加额外推理开销。效果目前仍以论文作者报告为准。