核心发现
方法论
本文提出AgenticVAU，基于四个专用智能体（规则构建、搜索规划、观察、决策）协作，通过共享证据存储(anchor registry)实现探索-验证流程。系统首先进行全局场景分析，生成视觉规则，然后在探索-验证循环中，智能体根据证据状态动态规划观察，采集局部或跨时段证据，逐步验证潜在异常。最后，汇总证据形成最终判断。该框架无需训练，依赖推理机制，显著提升异常理解的覆盖度和准确性。
关键结果
- 在VAU-Bench的ECVA、UCF-Crime和MSAD子集上，AgenticVAU在多项任务中超越零-shot和强化学习基线，尤其在二分类和多分类异常识别中提升显著。例如，在UCF-Crime数据集上，二分类准确率由62.55%提升至94.42%，多分类由57.77%提升至85.66%。在异常推理任务中，整体VAU-Eval得分提升30%以上，显示其在证据组织和推理方面的优势。
- 系统通过多轮探索与验证，有效实现跨时间段的证据比对和细粒度验证，显著改善了传统单智能体方法在证据覆盖和推理深度上的不足。实验还验证了不同观察工具（全局扫描、局部细节、跨时段关系）在不同场景中的适应性和效果。
- 该方法的创新在于智能体角色分工明确、共享证据机制，以及无训练的推理驱动，增强了模型的泛化能力和解释能力，为未来视频理解提供了新思路。
研究意义
该研究突破了传统视频异常检测局限，推动异常理解向语义丰富、推理深度方向发展。多智能体协作机制有效缓解单模型在证据组织和推理中的瓶颈，增强模型的适应性和解释性。其无训练的推理框架降低了数据依赖，提升了泛化能力，为实际应用中的安全监控、公共安全等场景提供了强有力的技术支撑。长远来看，该方法有望推动视频理解向更高层次的认知推理迈进，促进智能监控、自动化分析等行业变革。
技术贡献
本文提出的AgenticVAU引入多智能体协作架构，明确角色分工，利用共享证据存储(anchor registry)，实现探索-验证循环。创新点在于：1）无训练依赖的推理机制，2）多轮动态观察策略，3）跨时段证据比对，4）视觉规则生成与验证的结合。这些设计显著提升了异常理解的覆盖范围和推理深度，突破了现有单智能体和训练依赖方法的局限，为视频理解提供了新范式。
新颖性
本研究首次将多智能体探索验证框架应用于视频异常理解，区别于传统单模型或强化学习方法，强调角色明确、结构化证据管理和无训练推理。通过引入共享证据存储机制，有效组织多轮观察结果，增强推理的深度和解释性。这一创新架构为未来多智能体视频理解提供了新思路，具有较高的学术价值和实际应用潜力。
局限性
- 当前方法在复杂场景下的证据组织和推理效率仍有提升空间，尤其在长视频和多异常同时出现时，探索轮次可能增加计算成本。
- 对观察工具的选择和参数设置敏感，可能影响验证效果，未来需优化自适应策略。
- 系统未考虑多模态信息融合，未来可结合声音、文本等多模态数据增强推理能力。
未来方向
未来将探索多模态信息融合，提升推理的丰富性和鲁棒性；同时优化观察策略的自适应性，减少轮次，提高效率。还计划引入学习机制，增强智能体的自主决策能力，适应更复杂的场景。长远目标是实现端到端的高效、解释性强的多智能体视频理解系统，广泛应用于安全监控、智能分析等领域。
AI 总览摘要
视频异常理解（VAU）旨在全面解析视频中的异常事件，超越简单检测，涉及事件识别、证据发现与原因解释。传统方法多依赖训练，受限于泛化能力和证据覆盖。本文提出AgenticVAU，采用无训练的多智能体架构，将VAU转化为探索-验证流程。四个角色明确的智能体（规则构建、搜索规划、观察、总结）协作，通过共享证据存储实现动态证据管理。系统首先进行全局场景分析，生成视觉规则，然后在探索-验证循环中，智能体根据证据状态规划观察，采集局部或跨时段证据，逐步验证潜在异常。实验在VAU-Bench的ECVA、UCF-Crime和MSAD子集上，显示其在多任务中超越零-shot和强化学习基线，特别在二分类和多分类异常识别中表现优异。结果证明多智能体合作在证据组织、推理深度方面具有巨大潜力，为未来视频理解提供新范式。该方法的最大优势在于无需训练，依靠推理机制实现高效、解释性强的异常理解，具有广泛的应用前景和研究价值。未来将结合多模态信息，优化观察策略，推动智能视频分析迈向更高水平。
深度分析
研究背景
视频分析技术经历了从传统基于特征的检测到深度学习的异常检测发展。早期方法如基于重建误差的无监督模型（如自编码器）解决了标注稀缺问题，但在复杂场景中表现有限。近年来，弱监督和多模态模型（如视频语言结合）提升了语义理解能力。尽管如此，现有方法多关注异常检测或局部定位，缺乏对事件的深层语义解释和因果推理。多智能体、主动探索等新兴技术正逐步引入，推动视频理解向更高层次发展。
核心问题
核心问题在于如何在无需大量训练的情况下，全面理解视频中的异常事件，特别是需要多轮证据采集、跨时段验证和因果推理。传统方法多依赖训练数据，泛化能力有限，难以应对未见异常类型。单智能体系统在证据组织和推理深度上存在瓶颈，难以实现细粒度、多角度的事件解释。这限制了视频理解在实际场景中的应用效果，亟需一种高效、结构化的推理框架。
核心创新
本研究的创新点包括：1）提出无训练的多智能体探索验证架构，明确角色分工，增强推理深度；2）引入共享证据存储(anchor registry)，实现多轮证据组织与动态推理；3）结合视觉规则生成与验证机制，提高事件解释的准确性；4）支持跨时段、跨尺度的证据比对，提升复杂场景下的理解能力。这些设计突破了传统单模型和训练依赖的限制，为视频异常理解提供了新思路。
方法详解
- �� 初始视频分析：全局扫描视频，生成场景描述和事件先验。• 视觉规则生成：规则构建智能体根据场景描述生成支持与反对规则。•探索-验证循环：推理智能体规划观察，采集局部或跨时段证据，更新共享证据存储。• 观察工具：全局扫描、局部细节、跨时段关系，满足不同验证需求。• 证据存储：每次观察结果存入anchor，组织成支持、反对或未决状态。• 循环终止：验证充分或达到最大轮次。• 最终汇总：总结智能体将证据转为任务输出。• 不依赖训练，完全通过推理和证据管理实现。
实验设计
采用VAU-Bench的ECVA、UCF-Crime和MSAD数据集，评估多项任务，包括多项选择问答、时间定位、异常推理和分类。对比零-shot和强化微调基线，使用准确率、mIoU、VAU-Eval指标。超参数设定最大探索轮次为15，模型为Qwen2.5-VL-3B和DeepSeekV4-Pro。实验还包括消融分析，验证角色分工和证据存储机制的贡献。结果显示，AgenticVAU在所有任务中均优于基线，尤其在二分类和多分类识别中提升显著。
结果分析
在UCF-Crime数据集上，二分类准确率由62.55%提升至94.42%，多分类由57.77%提升至85.66%。VAU-Eval总分提升30%以上，证据组织和推理能力增强。跨时段验证和多轮探索显著改善复杂场景中的事件理解。消融实验表明角色分工和共享证据机制是性能提升的关键因素。整体表现验证了多智能体协作在视频异常理解中的优越性。
应用场景
该方法适用于公共安全监控、智能安防、交通管理等场景，能实现高效、解释性强的异常检测与推理。无需大量训练数据，适应性强，便于部署在实际系统中。未来可结合多模态信息，增强复杂场景下的推理能力，推动智能视频分析的行业升级。
局限与展望
当前系统在极端复杂场景和长视频中可能面临效率瓶颈，证据组织和推理轮次增加计算成本。对观察参数敏感，需优化自适应策略。未充分利用多模态信息，未来需融合声音、文本等多源数据以提升鲁棒性。系统在多异常同时出现时的表现仍需验证，未来将关注模型的泛化和效率提升。
通俗解读 非专业人士也能看懂
想象你在看一部侦探电影，电影中有很多线索散落在不同场景里。有时候你需要反复回看某个片段，确认是否有可疑人物出现。你还会根据场景的背景，判断某个行为是否正常，比如在学校里跑步很正常，但在图书馆就不合适。这个过程就像我们用多个“侦探”角色合作，每个角色负责不同的任务，比如找线索、验证线索、整理证据。它们通过一个共享的笔记本，把所有线索记录下来，反复验证，直到找到真相。这个方法不用提前训练，只靠智能体们的合作和推理，就能像侦探一样，逐步揭示视频中的异常事件。
简单解释 像给14岁少年讲一样
想象你在玩一个侦探游戏，你需要找出视频里发生了什么奇怪的事情。你可以让不同的朋友帮忙：一个找线索，一个计划去哪里看，一个看具体的片段，最后一个总结所有线索告诉你答案。每次他们都把发现的线索写在一本共享的笔记本里，然后再一起讨论。这样反复找证据、验证线索，直到确定事情的真相。这就像我们用多个“侦探”合作，逐步拼凑出视频中的“秘密”。这个方法不用提前学习，只靠他们的合作和推理，就能找到异常事件，就像侦探们逐步解开谜题一样。
术语表
探索-验证（Explore-Verify）
一种多智能体合作框架，通过探索和验证过程逐步确认事件，避免单一模型的局限。
本文将其作为核心推理流程。
共享证据存储（Anchor Registry）
一个存放观察证据的共享空间，组织支持或反对证据，帮助智能体动态推理。
用于证据管理和推理决策。
视觉规则（Visual Rules）
基于场景描述生成的支持或反对事件的视觉条件，用于验证潜在异常。
规则由规则智能体生成，用于证据验证。
开放问题 这项研究留下的未解疑问
- 1 如何进一步提升多模态信息融合的效率和效果，尤其在多异常同时出现时的证据组织和推理能力仍需探索。
- 2 未来需要研究智能体自主学习观察策略，减少轮次，提高推理速度。
原文摘要
Video anomaly understanding (VAU) focuses on comprehensively interpreting abnormal events in videos, requiring models to identify anomalous occurrences, discover their supporting evidence, and explain the underlying causes beyond simple anomaly detection. Existing VAU methods often rely on specialized training or limited observations, restricting generalization or evidence coverage. Although single-agent alternatives support adaptive video observation, they still integrate exploration, observation, and decision-making within a unified reasoning process, offering limited role specialization and structured evidence coordination. To address these limitations, we present AgenticVAU, a training-free multi-agent framework that casts VAU as an explore--verify process, where the system first discovers potential anomalies and then verifies them through targeted observations. To achieve this, four specialized agents are introduced to handle visual-rule construction, search planning, video observation, and final decision, respectively. These agents communicate through an anchor registry, a shared evidence memory that binds each observation. Guided by this agent framework, AgenticVAU interleaves broad temporal exploration, dense local verification, and cross-interval comparison until sufficient evidence is collected. We conduct extensive experiments on the ECVA, UCF-Crime, and MSAD subsets of VAU-Bench, the results show that AgenticVAU outperforms zero-shot inference and reinforcement learning-based baselines, demonstrating the value of multi-agent collaboration for video anomaly understanding.