密集视频字幕生成旨在为视频事件生成具有时间锚定的描述，有利于事件级别的视频理解和生成。在该领域，自回归视频大语言模型因其强大的生成能力和跨模态建模能力而成为主流范式。然而，在逐词生成的范式下生成密集字幕严重限制了推理效率，并且随着视频长度和事件密度的增加，阻碍了可扩展性。在这项工作中，我们提出了一个并行自回归框架，不仅提高了生成效率，还增强了时间锚定的字幕生成性能。我们的关键洞察是利用时间上不同事件之间的弱局部依赖关系来重构因果依赖图，从而实现无损并行生成。具体来说，跨事件依赖较弱的词元可以并行解码，而每个事件内部紧密耦合的词元则保留顺序解码以保持局部语义连贯性。为了实现这一洞察，我们引入了两个关键组件用于无损并行解码：（1）潜在全局规划机制，自动学习事件级结构并生成紧凑的词元，编码全局事件间因果关系，同时自适应地聚合事件级的视听语义，指导后续的依赖重构和并行解码；（2）事件分解的并行解码机制，有效平衡局部关注与全局事件间感知。在各种基准上的实验证明了我们的方法在全模态事件定位和字幕生成中在效率和性能上的明显优势。项目网站：https://github.com/showlab/PadCaptioner。