视频异常检测（Video Anomaly Detection, VAD）是计算机视觉中的一项重要任务，广泛应用于公共安全、工业监控等领域。传统方法通常将异常检测视为二分类或离群点检测问题，无法提供对异常事件的可解释推理，也无法精准定位异常发生的空间位置。近年来，视觉语言模型（Vision-Language Models, VLMs）展现出强大的场景理解能力，但在空间定位方面仍存在明显不足，常常产生幻觉或无意义的边界框。
针对这一挑战，来自美国的研究团队提出了VANGUARD（Video Anomaly Understanding through Reasoning and Grounding）框架，将异常分类、空间定位和链式推理统一在单一视觉语言模型中。VANGUARD的核心创新在于其三阶段课程学习策略：第一阶段使用冻结的主干网络特征进行分类器预热；第二阶段通过LoRA适配进行空间定位训练；第三阶段生成链式推理。这种渐进式的训练方式使得模型能够逐步掌握不同层次的任务。
为克服视频异常检测基准测试中标注稀疏的问题，团队设计了一套教师-学生标注管线。具体来说，利用Qwen3-VL-4B模型作为教师，基于UCA数据集的人工标注生成结构化的子片段推理轨迹，同时使用GroundingDINO提供边界框监督信号。这一方法有效扩大了训练数据的覆盖范围。
在UCF-Crime数据集上的实验表明，VANGUARD取得了94%的ROC-AUC和84%的F1分数，显著优于现有方法。更重要的是，该框架能够同时生成可解释的链式推理和异常对象的空间定位，这是以往任何VAD方法都未能实现的能力。消融实验证实，分阶段训练优于整体优化，且结构化推理作为隐式正则化器，比仅进行分类微调能产生更平衡的预测。此外，在XD-Violence和ShanghaiTech数据集上的零样本迁移实验表明，VANGUARD具有良好的跨域泛化能力，无需针对新领域进行适配。
这项研究不仅为视频异常检测提供了新的思路，也展示了结合推理与定位的多模态大语言模型在安全监控领域的巨大潜力。