TAL 一阶段 vs 两阶段：不只是速度

两阶段 TAL（先生成 proposal 再分类）的好处是模块解耦，每一步可独立调优。但代价是 proposal 阶段的误差会传递到分类阶段，且两个阶段各自训练容易陷入局部最优。

ActionFormer 类一阶段方法用一个 Transformer 同时做边界回归和类别预测，梯度端到端流动。看似只是"少了一步"，实际改变的是优化目标的统一性。

SAEFormer 的改进正是建立在这种统一架构之上——让局部判别线索和边界变化在注意力建模中不被弱化，而不是回到两阶段拆分。