多模态大语言模型（MLLM）能够复现训练数据中的敏感、受版权保护或不安全的信息。有效的遗忘需要在同一回复中同时删除目标信息并保留非目标内容。现有方法通常对完整回复施加统一的遗忘目标，并依赖固定的离线监督，导致对单词的控制粗糙，且与模型当前行为不匹配。\
我们提出 CUSE（Counterfactual-guided Unlearning framework via on-policy Self-distillation），其核心思路有两步。第一步构造反事实输入：通过去除与目标相关的证据，观察模型在这些输入下的 token 概率变化，从而识别需要更强遗忘力度的 token。第二步在当前策略采样的回复上进行自蒸馏：冻结的原始模型作为教师模型，结合对应的遗忘和保留上下文，向学生模型传递 token 级别的遗忘与保留目标。该设计同时决定了“忘什么”和“保留什么”。\
在 MLLMU-Bench 基准上，CUSE 将遗忘集合的 ROUGE-L 降低了 33.6%，同时在保留集合上比最强基线提升了 1.2%。\
点评：CUSE 通过反事实引导精准定位需要遗忘的 token，并利用在策略自蒸馏实现细粒度控制，显著提升了多模态模型的遗忘效果，同时保持了原有知识的完整性。