该论文系统审计了当前视频异常检测（VAD）基准测试的可靠性。现有文献常报告高帧级ROC-AUC（例如在UCSD Ped2上超过0.9），但这些指标是通过在同一摄像头的训练和测试集上评估获得的。论文假设这一条件在真实部署中不成立，并设计了跨数据集审计实验：使用一个数据集的全部正常帧训练无监督正常性模型（基于冻结的现成特征，包括CLIP、DINOv2、ResNet-50、EfficientNet-B0和最近邻距离），然后分别在同一数据集和其他数据集的测试帧上评分。在4个真实数据集（UCSD Ped1/2、CUHK Avenue、ShanghaiTech）和4种骨干网络下，同数据集平均AUC为0.704，但跨数据集平均AUC降至0.499（相当于随机猜测）。在某些数据集对中，AUC甚至低于机会水平。最强的骨干网络DINOv2在同数据集上表现最佳（Ped2上达0.901），但跨数据集下降幅度最大。类似现象在使用PaDiM型马氏距离检测器时被复现（交叉数据集差距0.202 vs 0.208）。即使选择有利的操作点，误报率仍高达每小时约31,931次。结论是：当前基准测试数字描述的是校准的实验室环境，严重高估了可部署的可靠性。作者已公开所有再现代码。