核心判断：把生成移到离线，比让大模型逐帧“多想”更直接
Flashback 把视频异常检测改写为检索：先让语言模型编写正常与异常场景的文字记忆，再用冻结视频编码器寻找最相近的描述。在线阶段不再生成长篇字幕或询问大模型打分，这是它最清楚、最可信的效率贡献。但准确率提升并非单纯来自“记忆足够大”：跨模态底座、正常/异常文本包装和异常向量缩放都很关键。更需要留意的是，快速处理一个片段，不自动等于整条带平滑的预测链已经满足严格因果报警。
本文采用 Lee 等人 Flashback 的 2025 年 5 月 23 日 v2，初稿于 5 月 21 日提交，属于旧论文专题精读而非近期新发表。核读完整主文、所有实验表与局限节，并对照 LAVAD 的实际处理流程；不把论文报告写成本站已完成复现。
取代的是在线生成，而不是视觉表征
最近的路线对照是 LAVAD。LAVAD 先从视频生成字幕，清理字幕，再让 LLM 汇总时间上下文并评异常分数，最后以跨模态相似度细化。它的字幕来自当前测试视频，能够描述库外事件，但生成和反复推理都发生在测试阶段；部分清理与时间窗口还依赖整段或未来信息。
Flashback 继承“视觉和文字对齐”的基础，却替换了文字的来源及使用时机：文字提前合成，标签提前存好，测试时只检索。它也不同于记忆自编码器：记忆不是正常训练视频的特征原型，打分不是重建误差，而是检索文本携带的正常/异常标签。其所谓零样本，具体指不使用目标域视频或标签做梯度训练；预训练编码器和 LLM 的外部知识当然仍然存在。
图注：离线生成记忆与在线检索两条路径。来源：Lee等，Flashback v2，图2，CC BY 4.0。（来源：论文）
图 2 要沿上下两条路径读：离线语言模型输出场景句子、类别和二元标签，文字编码一次后缓存；在线视频切片、视觉编码、检索、标签聚合，最后映射回帧。冻结模块并不意味着完全没有设计选择，模板、缩放因子和取多少邻居都能改变决策。
从一段视频到异常分数：三处选择真正决定效果
第一处是构造“伪场景”。第 3.2 节用上下文提示说明异常检测用途，再用格式提示要求正常与异常条目各有动作类别和描述。不是向语言模型输入真实异常片段，而是让它调用预训练知识生成候选。正文记载生成百万正常—异常对花费 76 小时、181.43 美元；这是作者当时特定 API 版本的离线成本，不能当成今天的报价。“一次离线构建”也不应误读成一个 API 请求便能吐出全部百万条。
每条文本经冻结文本编码器得到向量，配一个标签：正常为零、异常为一。在线视频默认一秒一片段，取 16 帧，尺寸 448×336；使用 ImageBind 或 PerceptionEncoder 得到共同空间的视觉表示。每个片段与库中向量作点积，取最高的十条，把相似度 softmax 为权重，再算标签加权平均。直观上，异常分数衡量的是“最近邻中异常文字占了多大权重”，并不是语言模型对当下画面校准过的异常概率。
第二处是 repulsive prompting，中文可理解为拉开两类文本的提示包装。原始正常、异常句子可能共享大量对象和动作词，编码后靠得很近。作者给两类句子加入 Normal/Anomalous 类别词，并采用不同的外层模板，使两组表示拉开。这里没有对比学习、梯度更新或新增视觉分支；它操纵的是编码器的输入分布。优势是成本极低，代价是可能让分类词本身主导相似度。因而不能只凭文本聚类图就宣布视觉异常已经被正确分离，必须同时看检测消融。
第三处是 scaled anomaly penalization。作者将异常文本向量乘小于一的系数 α，然后才算点积和排名，默认取 0.95。这不是对最终异常分数统一乘一个常数：它能改变入选的邻居、softmax 权重及正常异常竞争。若实现中在缩放后又把向量单位归一化，幅值变化便会被抵消，因此复现必须核对归一化顺序。
这一操作也有适用条件。对正相似度，乘 0.95 会降低得分；对负点积却会让数值靠近零，未必始终是“惩罚”。实际高相似度邻居通常才决定结果，但论文没有把任意输入都降低异常倾向作为数学保证。本文据此建议检查不同场景的相似度分布，而不要把该系数视为通用概率校准。
检测结果：强编码器是贡献的一部分
表 1 按监督层次分组，UCF-Crime 报帧级 ROC-AUC，XD-Violence 同时报帧级 AP 与 AUC。Flashback-PE 得到 87.29、75.13、90.54；对应 LAVAD 是 80.28、62.01、85.36。相减分别为 7.01、13.12 和 5.18 个百分点。它证明该完整系统在这些对照下有明显收益，但不是所有监督方法上的最高值：同表 VadCLIP 的 UCF AUC 为 88.02、XD AP 为 84.51。
换成 ImageBind 后，Flashback-IB 为 81.65、60.13、83.52；后两项低于 LAVAD。换句话说，离线检索这套机制不会自动跨底座兑现全部优势，PE 与 IB 的差距需要作为主要结果来读。与不同监督量、不同预训练底座的方法比较，能展示实用位置，不能隔离检索设计的因果贡献。论文亦注明部分 Holmes-VAD 数字转引 VERA，而不是把所有基线都在同一机器上重训所得。
表 3(b) 才更接近模块归因：去掉提示包装，UCF AUC 为 74.98、XD AP 为 71.01；完整 RP 为 87.29 和 75.13。仅类别词或仅模板均恢复部分表现，二者结合效果更好。正常、异常中心夹角由 8.12° 到 33.29°，与结果方向一致。不过这个相关性还不能证明“夹角越大越好”：纯几何调整在 UCF 上为 81.56，却把 XD AP 拉到 64.98，已经表明粗暴改变表示空间不等价于有效语义分离。
图注：机制、记忆规模与实时约束消融。来源：Lee等，Flashback v2，表3，CC BY 4.0。（Flashback v2 Table 3 CC BY4，第 8 页，来源：论文）
表 3 请同时看子表 (b) 的机制消融、(d) 的库大小和 (e) 的延迟约束。不能只选最高 AUC，也不能用图中两团点分开来替代表里的实际检测结果。原表含表头、指标与参数，便于交叉核对。
检索数量也不是越大越好。表 3(c) 中 K 从 1 增至 10，UCF AUC 由 82.00 到 87.29；到 40 则降为 86.31。XD AP 相应为 73.55、75.13、74.86，但 XD AUC 在 K=40 时达到 90.73，略高于默认的 90.54。因此“所有指标都在十个邻居最好”并不成立，默认值更像多指标折中。作者认为较远邻居稀释标签平均，这是合理解释，但缺少逐邻居噪声标注来直接验证。
记忆从一万对扩展到百万对，UCF AUC 从 82.61 到 87.29，XD AP 从 72.17 到 75.13；速度仅由 42.95 到 42.06 FPS。这个范围内视觉编码显然比检索更耗时，但不能推出无限扩库都不增加代价。文本和向量分别占约 0.3 GiB、3.9 GiB，部署时还要加编码器与运行缓存。扩库的边际收益也有差别：五十万到百万对，XD AP 仅由 75.11 到 75.13，UCF 却继续改善。
实时性要分处理吞吐、决策间隔和报警延迟
作者设定实时条件为：新决策间隔不超过一秒，而且处理时间不超过该间隔。表 2 的默认一秒无重叠片段，处理时间 0.713 秒，满足此计算条件；RTX 3090 上按 30 FPS 输入折算为 42.06 FPS，而非模型真的逐一编码了每秒 42 个独立输入帧。LAVAD 为 1.26 FPS，因而约为 34 倍。正文另外报告 L40S 上 63.16 FPS，不应把不同硬件数字混合计算加速比。
更有用的反例是表 3(e)：一秒片段、半秒重叠、16 帧取样时，处理 0.683 秒，虽标出 44.06 FPS，却超过半秒决策预算，队列会积压。八帧版本处理 0.364 秒可满足半秒预算，但 UCF AUC 降至 84.66。吞吐看起来更高，不代表能在当前切片频率下持续在线，这正是此表比单个 FPS 更有价值的地方。
还有两个尚需代码或实测补足的边界。第 3.3 节对覆盖帧的片段分数平均后，再作一维高斯平滑；实现细节给出 100 帧宽度，但没有在本文所读材料中明确单边因果边界。若实际使用对称滤波，就会读到未来分数或引入等待。即使完全因果，片段本身也要先积累，再加处理时间。因此 0.713 秒不能直接当作从异常发生到用户收到告警的总延迟。这是对在线证据范围的限定，不是否认移除 LLM 后的速度收益。
此外，ROC-AUC与AP体现排序能力，均不直接回答固定阈值下每天产生多少误报。实际部署若要比较两种记忆配置，应固定同一误报预算再看召回，同时记录正常片段总时长；否则更高的曲线面积仍可能对应不可接受的告警负担。原文没有给出完整的这种运营指标，本文不替它补全。
文本解释是检索证据，不是实时因果推理
图注：成功与标签定义冲突案例。来源：Lee等，Flashback v2，图3，CC BY 4.0。（来源：论文）
图 3(c) 的扒窃例非常值得保留：库把 Pickpocketing 定义为异常，而 XD-Violence 的评价规则在此视为正常，所以系统会被计为误报。它揭示的不是简单识别失败，而是“常识异常”和“任务定义”不一致。图中灰色描述也提醒，检索句子可能有细节不符；句子流畅来自预写文本，不能据此认为画面事实已被验证。
作者在局限节承认固定动作标签难以随情境动态改变，解释仅是返回最相近句子，不能回答严重程度等开放追问。本文进一步认为，陌生事件可能被硬匹配到库内语义，系统应该有低相似度拒答或不确定状态，而不是永远给出一条看似精确的说明。该机制尤其需要用正常但少见的活动测试，防止语言先验将不熟悉等同危险。
两个协议疑点与可落地的下一步
第一，第 4.5 节把 UCF 与 XD 合成一个评价池扫描 α，观察 AUC 后选 0.95。这确实避免“分别为两个数据集调两个参数”，但仍不是完全独立于评价标签的模型选择证据。应在额外验证域预先锁定 α，再把未接触测试集作为最终报告；不能把无梯度训练直接等同无调参。
第二，表 3 图注说四个不重叠的一万条子集，正文却写十万条；表中均值又与十万库一行一致。本文保留该不一致，不把它伪装成已核定的采样规模。因此报告的标准差只说明原作者这四个库子集的波动，不是多次重新生成百万库的稳定性，更不是跨相机泛化置信区间。论文提到几何替代法的补充材料，但本次可读版本未附独立补充细节，不对其具体实现作额外推断。
复现建议按顺序做：固定原库和模板，核对缩放与归一化顺序；记录编码、检索、平滑、解码及排队各自耗时；将平滑改成明确因果版本重新报准确率与报警延迟；最后在独立域选择 α，并按误报语义检查标签定义。值得继承的核心是“把昂贵知识生成提前，在线只做可审计检索”，而不是照搬百万规模或某个固定阈值。
资料与许可
- Flashback v2 全文与PDF：第 3–6 节、表 1–3、图 2–5，CC BY 4.0。
- LAVAD 原文：核对字幕清理、中心时间窗与分数细化机制；本文不转载其图。
图 2、表 3、图 3 来源为 Lee 等人的 Flashback v2，保留作者和 CC BY 4.0 署名。以上数字均来自原文，并非本站运行结果。