实时视频AI，不能偷看下一帧
做摄像头异常检测，离线跑分高，不等于上线能及时报警。最常见的“隐形作弊”是：模型评估当前帧时，内部其实缓存了一段视频，甚至利用了后续帧。回看录像没问题，实时告警却等不起。

【来源事实】8 月 25 日提交的新论文提出严格因果的流式视频异常检测器：时刻 t 的判断只能使用 1 到 t 帧，不前瞻、不缓存视频片段。冻结的视觉骨干先提取每帧特征，轻量状态空间核心再用固定大小状态逐帧更新，因此随视频变长，每帧计算量和记忆量仍为 O(1)。模型用“预测下一帧特征”的自监督任务训练，预测误差被转成异常分数。

论文还给状态衰减速度、理论检测延迟和最短可检测事件建立了关系。但实验出现了一个重要反例：仅按基础衰减估算，理论延迟约 57—59 帧；实际在 Ped2 和 Avenue 上分别为 1.6、18.4 帧。作者据此判断，真正控制反应速度的是事件边界门，而不是基础衰减本身。

在 Apple M3 Pro 的 MPS 后端上，端到端延迟为每帧 0.74 和 0.77 毫秒，超过 1290 FPS；但准确率只有 67.9% 和 70.2% 帧级 AUC，明显落后于既有非因果方法。门控也不是稳定增益：关掉它会让较小的 Ped2 从 67.9% 升到 76.6%，却让 Avenue 从 70.2% 降到 60.0%。

【专家判断】验收实时视频 AI，建议保存这张“五项清单”：
1. 输入边界：当前结论到底看了哪些帧？
2. 缓存上限：视频越长，内存会不会继续增长？
3. 延迟口径：只算模型核心，还是包含解码、特征提取和同步？
4. 报警延迟：异常开始后几帧才首次越过阈值？
5. 准确率代价：严格实时后，AUC、误报和漏报掉了多少？

边界也要说清：实验只有两个小型基准；定位指标是简化近似；硬件只测了 M3 Pro，未测 CoreML、Jetson 或树莓派；理论把衰减视为固定值，而实际门控会随时间变化，所以它是宽松上界，不是精确预测。项目开放了代码与检查点并采用 MIT 许可，但还没有严格因果与窗口缓存版本的同架构消融。

一手 异常检测 边缘计算 实时推理