CaC：通过分层时空聚焦推进视频奖励模型

本文提出 CaC，一种基于视觉语言模型的由粗到细异常奖励模型。推理时，先全局扫描定位异常时间窗，再进行细粒度空间定位，最后通过结构化时空思维链得出稳健判断。为此构建了首个带帧级标注的大规模生成视频异常数据集，并设计三阶段渐进训练范式。除常规准确率奖励外，引入时空 IoU 奖励监督中间定位过程。实验表明，CaC 能稳定聚焦细微异常，在细粒度基准上准确率提升 25.7%，作为奖励信号可减少 11.7% 的生成视频异常并提升整体质量。