知识卡片：VLM的回答不是异常分数：免训练视频异常检测中的排名压缩

一句话结论

在基于视觉语言模型（VLM）的免训练视频异常检测中，把模型生成的文本答案直接当作异常分数会丢失片段间的相对排序；改用答案分布计算概率读出，能在所有测试的基准和指标上稳定提升 AUROC/AP，平均提升 5–13 个百分点。

事件概述或研究问题

免训练视频异常检测（VAD）可以通过让 VLM 回答关于视频片段的问题来实现。但 VAD 基准要求为每个片段输出一个标量异常分数，并用 AUROC 或 AP 评估排名质量。论文指出，VLM 检测器必须明确一个“答案接口”：答案尺度决定允许的答案集合，读出规则将模型输出分布映射为分数。这个接口本身会改变被评估的排名，因此属于检测器的一部分，而不是格式细节。

方法/产品要点

• 定义“答案接口”（answer interface），包含两个部分：
  • 答案尺度：允许模型输出的答案集合，例如“正常/异常”“0–100 分数”等；
  • 读出规则：将模型对答案集合的输出分布转换为单一异常分数。
• 对比两种读出规则：
  • 生成式读出：仅取概率最高的答案值作为分数；
  • 概率读出：使用模型在全部允许答案上的完整分布来计算期望分数或加权分数。

主要结果或产业意义

• 在 4 个 7–8B 参数的 VLM 上，概率读出在每一种答案尺度、基准和指标的测试组合下都优于生成式读出，四个基准-指标对上的平均增益为 5–13 个百分点。
• 生成式读出的缺陷被称为“生成答案排名压缩”：每个片段只保留一个答案值，导致具有不同答案分布的片段可能得到相同分数，从而丢失相对顺序。
• 即使答案尺度允许 91 个答案，生成式读出也仅产生 4–18 个不同分数；概率读出则保留明显更细的分数分辨率。
• 该优势不受解码策略、提示措辞或“联合评分+解释”提示的影响。
• 产业意义上，该发现提醒任何将 VLM 用于视频监控、内容审核等排序/阈值任务的系统，输出接口的设计会直接影响最终检测性能，需要显式验证。

为什么重要

已有免训练 VAD 工作（如 CEAVAD）大多关注新的判断框架或假设设计，而本文首次系统揭示了“答案接口”这一看似琐碎的组件对 VLM-VAD 排名的决定性影响。增量信息在于：即使同一个 VLM 和同一套问答提示，仅改变从模型输出到异常分数的映射方式，性能就会产生显著且稳健的差异；因此后续研究在报告 VLM-VAD 结果时，必须同时说明答案尺度和读出规则，否则结果无法公平比较。

局限与不确定性

• 实验仅限于 7–8B 规模的 VLM，更大或更小模型上的表现待核实。
• 论文摘要未提供四个基准的具体名称和完整结果表，详细数值待核实。
• 未说明概率读出是否在所有真实场景中都适用，例如当模型输出分布校准不佳时是否仍保持优势，待核实。
• “联合评分+解释”提示的具体形式和影响幅度，摘要中未给出细节。

可用于图书/PPT/简报的角度

• 主题：评测指标与模型输出接口的“隐藏陷阱”——在 VLM 下游任务中，从文本到分数的转换不是小事。
• 示例：同一条视频问答结果，用“argmax”和“期望值”两种读出，得到的排名可以大不相同。
• 一句话金句：“VLM 的回答不是异常分数；把回答变成分数的规则才是。”

与既有脉络的关系

本文是对“免训练视频异常检测”这一脉络的新增维度：既有条目 CEAVAD 通过对比事件裁定改进判断单位，本文则从评估接口出发，指出答案读出规则会影响排名排名质量；两者可结合使用——在 CEAVAD 的框架下同样需要考虑答案接口的选择。

原始材料

• 英文标题：A VLM Answer Is Not an Anomaly Score: Rank Compression in Training-Free Video Anomaly Detection
• 英文关键词：training-free video anomaly detection; vision-language model; answer interface; rank compression; readout rule
• 来源：arXiv:2608.21244v1
• URL：https://arxiv.org/abs/2608.21244v1