一瞥、细查与思考：推动视频异常检测从免训练走向Agentic推理

视频异常检测（VAD）旨在识别异常事件并定位其时间区间。现有方法存在“何时-何事”脱节：传统的基于DNN的方法能定位异常何时发生但缺乏语义理解，而基于大语言模型（LLM）的方法能解释发生了什么却忽视精确的时间定位。我们将此归因于缺乏统一的推理范式。受人类检查监控视频方式的启发——先全局一瞥形成时间假设，再细查可疑片段，然后迭代思考纠正错误——我们从两个视角研究这一由全局到局部的范式。我们首先提出Glance then Scrutinize（GtS），一个使用静态与动态文本引导、进行由粗到细异常定位与理解的免训练框架，兼顾准确性与速度。为突破冻结外部模块带来的上限，我们进一步提出一种工具增强的agentic VAD方法，其中多模态大语言模型学会调用视频裁剪工具、检查密集重采样的帧、并自我纠正定位错误的假设，训练方式为冷启动监督微调加上带答案-定位联合奖励的强化学习。在训练与评估方面，我们将先前的VAGU基准扩展为VAGU-T（Video Anomaly Grounding, Understanding, and Thinking），包含7,567个真实世界视频，覆盖21个异常类别，带有人工验证的定位、解释、问答对和思维链工具调用轨迹。我们进一步提出JeAUG，一个联合评估语义可解释性与时间精确度的指标。实验表明，GtS大幅超越免训练基线，而agentic模型同时取得更高准确率与更快推理。