定性核验：数字之外，实际看到了什么
图片端复用三臂同一批 val 预测（9,370 张）· 视频端 16 段片段、每 15 帧取 1、 共 4,702 帧，三臂同一次解码逐帧打分，所以对比是帧级严格对齐的。
01打分头：B 的更高 ρ 看起来站得住吗？
取 A 与 B 排名分歧最大、且 VLM 标签明确（≥0.62 或 ≤0.12）的样本。中间段标签最噪，排除掉。
✓ 定性证据强烈支持 B
这些分歧样本全部是 VLM 判低分的静态非动作图——地上拉伸、绑护具、擦球、人像特写。 A 给 0.37–0.57（排到 9,370 张里的第 1600–3200 名），B 给 0.02–0.07（第 7500–8900 名）。B 明显是对的。
这直接坐实了机制假说：A 的 backbone 被训成「找击球手关节」，于是只要画面里有穿 cricket 队服的人就发火，不管有没有在做动作； B 保留了足够的场景理解知道这些是静态的。也解释了「非动作」类上 A ρ=0.062 而 B 0.219 的塌陷。
02各臂打分最高的样本
三臂各自的 top-6。打分头「信排序不信绝对值」，所以这里看的是选出来的是不是真高光。
A 微调 打分最高的 6 张
B 原版pose 打分最高的 6 张
C 原版det 打分最高的 6 张
03门控：C 多出来的 13.6 个点，是真召回还是更松？
这是聚合数字无法回答的问题——留出集里没有确认的非 cricket 视频，测不了误报率。所以只能看帧。
✗ 定性证据不支持把 C 的增益当作真召回
C 比 A 多放行 523 帧、反向只有 44 帧， 高度不对称，与总体 +13.6 点一致。但把这些帧调出来看——观众席、天空树梢（追球镜头）、球场建筑， 没有一帧有球员在做可打分的动作。它们确实是 cricket 转播画面（有记分板），但没有姿态可评。
类别分布佐证：增益的 81% 集中在「击球(广播)」——正是充满非动作填充镜头的品类；而手机直拍的「击球(手机)」增益为 0（本来就已 97–100%）。
因此 valid_frac 不是一个干净的召回指标：它把「处在 cricket 转播里」和「画面里有 cricket 动作」
混为一谈。门控的既定用途是「让打分只在有 cricket 时才有效」，那么放行一个没有姿态可打分的天空镜头，
更接近泄漏而不是召回。
C 放行 / A 拒绝 的帧
三臂都拒绝的帧（对照：拒绝得对不对）
04门控分歧的类别分布
| 类别 | C 多放行 | A 多放行 | 该类总帧 | 净增占比 | |
|---|---|---|---|---|---|
| 短视频集锦1 | 32 | 0 | 141 | 22.7% | |
| 短视频集锦2 | 34 | 1 | 182 | 18.1% | |
| 击球(广播) | 423 | 43 | 3505 | 10.8% | |
| 街头 | 5 | 0 | 97 | 5.2% | |
| 投球 | 8 | 0 | 166 | 4.8% | |
| datateam | 21 | 0 | 505 | 4.2% | |
| 击球(手机) | 0 | 0 | 106 | 0.0% | |
| 合计 | 523 | 44 | 4702 | 10.2% |
05这些证据把结论改成了什么
图片域结论不变，而且被强化：打分头 B > A 不只是统计显著， 分歧样本的人工核验也一边倒——A 在静态非动作图上系统性给高分。
视频域结论需要下修：C 的 +13.6 点大部分不是找回了漏掉的 cricket 动作， 而是放行了广播里的填充镜头。之前基于这个数字倾向 C 的判断不成立。
于是 v2.2 更可能选 B：打分头显著更好且人工可验证，视频门控与现役基本持平（64.5% vs 64.0%）。 C 的门控优势在剔除填充镜头后还剩多少，需要一个「有 cricket 动作」的逐帧标注才能量化——这是本实验没能回答的部分。
数据 results/ablation_v22/web/qual/data.json ·
生成 ablation_v22_qualitative.py → build_ablation_v22_qual_page.py
注：桶按时序平滑后的 valid（部署时的实际决策，~1.25s 中值滤波 + 迟滞 0.6/0.4）划分，
卡片上同时给出单帧原始 gate 与 valid，两者可能不一致——那是时序平滑的正常表现，不是错误。
点击任意图片可放大（← → 翻页 · Esc 关闭）。放大用的是另存的 1280px 副本，不会把缩略图硬拉大。