阿里巴巴、浙江大学、北京航空航天大学和字节跳动团队发布MetaVideoAgent，让长视频问答智能体根据目标视频类型自动修改自己的处理流程。四轮进化后，八类视频的宏平均准确率从38.44%升到51.47%。
最终智能体比最强固定设计方案高6.39个百分点，每个问题使用74.47K Token和29.11帧，也少于论文对比的固定视频智能体。不过，为每一类视频完成进化平均要消耗354万Token。
论文图1：电商直播、体育比赛和剧情片的证据分布不同，固定工具链容易产生冗余或漏掉关键片段。
先找失败发生在哪一层
长视频问答不只靠语言推理。系统要先组织视频，再定位时间段、调用视觉或音频工具、维护工作记忆，最后生成答案。一次错误可能从早期定位传到后续推理，直接让模型“重写全部代码”很难判断改动是否有效。
MetaVideoAgent把流程拆成视频结构化、证据定位、感知、工作记忆和推理五个模块。教师智能体拿到正确答案和证据时间段后，检查学生轨迹，找出最早无法支持正确答案的步骤；诊断智能体再汇总多个样本的共同错误，把责任指向一个主要模块。
论文图2：教师审查失败轨迹，诊断器聚类原因，进化器只修改责任模块及必要依赖。
小测试通过后，才跑完整视频
完整执行长视频问答成本高。团队把局部失败裁成可独立运行的最小验证任务，例如只检查一个时间片的主体跟踪或位置关系。候选修改先过工程检查和小测试，再与旧版本进行完整进化集对比；只有整体表现达标才会晋级。
八类视频包括访谈、商品展示、软件操作、剧情、舞台、游戏、体育和课程。直播可能主要依赖音频，体育问题需要捕捉瞬间动作，剧情片则要求跨远距离镜头维护人物关系，因此每类数据分别进化一个智能体。
论文图3：进化后的模块分别修复事件顺序、位置关系和主体跟踪问题，并在留出样本上验证。
51.47%来自新基准，不是通用上限
VA-EvoBench为每类视频划分独立进化集和留出集。留出结果只在固定预算结束后用于报告，不参与选择、早停或回滚，这减少了对测试集反复调参的风险。
论文图4：八种分布的收益和进化速度不同，粗线表示平均趋势及95%置信区间。
51.47%同时说明任务仍然很难，接近一半问题没有答对。基准由作者从既有数据构建，按分布分别进化也带来额外训练成本；遇到混合内容或新视频类型时，是否需要重新进化尚未充分验证。代码和数据在论文中承诺发布，当前结论仍属于作者报告的预印本结果。
