图像压缩几十年的默认前提是：解出来是给人看的，所以「重建得像不像」就是好坏的尺子。这篇论文把前提换掉了——当压缩对象是大模型已经「看懂」的中间特征、读者是另一个模型时，尺子得整个换。
中间传什么，是个真问题
看视频的大模型流水线分两半：前端的视觉编码器把画面变成一串向量（「视觉 token」，可以理解为模型对画面的速记），后端的语言模型读这些向量加文字问题，写出回答。模型大到塞不进手机和摄像头，于是常见做法是端云分工：设备跑编码器，云端跑语言模型，中间传什么就成了绕不开的问题。
老路有两条，各有死穴。传原视频，带宽巨大，云端还得把视觉编码器再算一遍；走「协同智能」路线，为流水线专门训练特征压缩器——压缩器和下游网络绑死，换模型就得重训，厂商之间互不兼容。
论文把这类中间产物起名叫 AI 流量（AI traffic）——AI 模块之间交换的张量都算——然后问：能不能不训练，拿现成的标准直接压它？
不训练，只插一个标准
作者选的是 MPEG 的神经网络编码国际标准 ISO/IEC 15938-17（NNC，把张量里的数字量化到台阶、再用算术编码省字节，原本是压模型权重的）。他们把它插进 Qwen3-VL-8B 的视觉接口：主视觉 token 外加三路特征流，各自编码、传输、解码再原位塞回去，语言模型拿到的全是解压后的版本。权重、提示词、生成过程一概不动——输出若有变化，只能来自压缩本身。随后把压缩强度旋钮（量化参数 QP）从头拧到尾。
可信度来自对照组：除了「原样直通」还加了「特征清零」——清零后准确率从 0.74 掉到 0.21，证明模型真在乎这些特征，平台期不是蒙出来的。
结果是一条很陡的「平台—悬崖」曲线：QP 拧到传输量只剩原来的 2%，Video-MME 选择题准确率还停在 0.72（原基线 0.74）；开放式的视频摘要任务 MLVU 上请 GPT-4 当裁判，同样的平台之后同样跳水。
第二个发现更关键：解压出来的特征并不是「几乎没损失」。量化把连续数值压成少数几个台阶，逐行相对误差不小，奇异值衰减比原始张量陡得多——可以粗略理解成，信息被挤进了更少的独立方向。重建是糊的，但模型照常答题。作者的解释：语言模型推理吃的是粗结构和相对几何，不是精确的浮点值。
对影像工作流意味着什么
对带宽敏感的采集端——行车记录仪、监控、无人机——「传特征不传画面」从此有了不用训练就能上的标准化选项，通信量降一到两个数量级。而且用的是公开标准，摄像头端的编码器和云端的模型可以来自不同厂商——这是私有量化器给不了的互操作性。
评价体系也得跟着改：评这类编解码器，PSNR 式的重建误差不再是主尺，要画的是「每比特换来多少任务精度」的曲线——作者称之为 rate–task，以区别于传统的 rate–distortion。对做画质评价和编码器调优的人来说，这是个还没有工具链的新命题。
局限也要说清：只测了一个模型，两个基准各抽 100 条样本，开放式评分靠另一个大模型当裁判；没测编解码本身的延迟——省带宽不等于省时延；四路特征共用同一个压缩档位，没按重要性分配码率。雪崩点很陡，真实系统得离拐点留足余量；「任务不掉点」也只在被测任务上成立。
真正会被记住的，大概是那个判断：当数据的读者从人换成模型，压缩的成功标准就得跟着换。