开放世界视频异常检测（Open-World Video Anomaly Detection, OWVAD）是一项旨在根据用户指定的异常定义来检测事件的任务。与传统的异常定位不同，OWVAD要求在同一视频中改变异常定义时，被判定为异常的时间区域也应随之改变，这体现了对模型条件性行为的要求。然而，最新研究发现，当前的OWVAD评估方法大多未能有效检验这种条件性行为。标准视频异常检测（VAD）指标和动态定义协议可能被目标与正常样本的分离所主导，导致模型在几乎不关注查询定义的情况下仍能获得高分。作者将这种现象称为“定义盲区”（Definition Blindness）。
为了解构这一盲区的原因，研究团队将动态定义评估分解为两个子任务：目标与正常样本的检测（target-versus-normal detection）以及目标与其他异常的区分（target-versus-other-anomaly discrimination）。分析发现，在所有常见VAD基准中，前者的权重是后者的7.2至26.8倍，这意味着评估指标在很大程度上忽略了模型对不同异常定义的区分能力。基于这一诊断，作者引入了三种定义条件化的评估指标：DC-Disc、DC-DetΔ和DC-SelΔ。这些指标逐步消除了正常帧、通用异常和多事件选择等捷径，从而更准确地衡量模型对定义的遵循程度。
在UCF-Crime、XD-Violence和MSAD数据集上的实验取得了重要发现。多个强大的VAD、OWVAD以及通用视觉语言模型基线虽然能够定位异常时刻，但对定义的遵循程度较弱，往往接近零的定义响应余量。这表明现有模型在动态定义场景下存在严重的“定义盲区”。为了验证该问题具有可操作性，作者进一步提出了DeCoS（Definition-Contrastive Scoring rule），一种定义对比评分规则。其核心思想是通过减去不同定义间共享的异常证据，迫使模型更加关注定义特有的信息。实验结果显示，DeCoS在最强基线的基础上，在DC-Disc上提升了7.3至16.0个AUROC点，在DC-DetΔ上提升了15.5至28.3个点，效果显著。
总体而言，本研究不仅揭示了当前OWVAD评估体系中的隐藏缺陷，还提出了更严格的评估工具。研究结果主张OWVAD应被评估为定义条件化的异常评分（definition-conditioned anomaly scoring），而非不同提示标签下的异常检测。这一诊断对模型选型、推理成本、产品能力及评测基准均具有潜在影响，为未来开放世界视频异常检测研究提供了新的方向。