PASK：面向意图感知的长期记忆主动智能体

一句话定位

提出 DD-MM-PAS 主动智能范式，构建 IntentFlow 模型与混合记忆系统，实现低延迟、个性化、长期演化的主动 AI 系统。

小学生也能听懂

这篇论文造了一个会“记笔记”和“猜心思”的AI小帮手，它像贴心课代表一样，能记住你长期的学习习惯，主动提醒你该复习了，还能在1秒内快速回应，帮你考得更好。

为什么值得记录

首次提出统一的主动 AI 架构 DD-MM-PAS，涵盖需求检测、记忆建模与执行系统三大核心组件
在真实场景中验证主动智能可行性，突破现有研究局限于实验室环境的瓶颈
引入 LatentNeeds-Bench 真实基准，推动领域标准化评估
实现开源模型 IntentFlow 在延迟敏感任务上媲美闭源模型 Gemini3-Flash 的性能

核心方法

提出 DD-MM-PAS 三模块架构：需求检测（DD）、记忆建模（MM）、主动代理系统（PAS）
设计 IntentFlow 双流模型：Demand Detector（Qwen3-30B）处理实时输入，MemLoader（Qwen3-4B）提炼记忆证据
构建三级混合记忆系统：用户记忆（缓存稳定特征）、工作空间记忆（会话级上下文）、全局记忆（RAG 长期存储）
采用两阶段训练：102k 样本监督微调 + 2.1k 真实会话强化学习对齐（DAPO 算法）
实现端到端系统 PAS，集成 >20 个模型与 >10 个工程模块支持持续部署

关键结果

IntentFlow 在延迟约束下达到 Gemini3-Flash 相当性能，且能识别更深层次用户意图
在 LatentNeeds-Bench 上，学习场景评分集中于 3–5 分（峰值 4），工作场景居中，日常生活场景最具挑战性（多集中于 2–3 分）
教育视频实验显示，使用 Pask 的用户组测验成绩提升约 +1 至 +1.5 分（对照组平均 6 分）
系统支持 <1 秒响应延迟，满足实时交互要求

局限与风险

日常生活场景的主动辅助仍具挑战，模型对复杂社会情境理解有限
记忆系统依赖离线维护机制，在线更新存在延迟
强化学习阶段仅使用 2.1k 真实会话，数据规模可能限制泛化能力
未公开完整代码与模型权重，复现存在障碍

适合沉淀的概念

proactive-ai, intentflow-model, dd-mm-pas-architecture, hybrid-memory-system, latent-needs-bench, demand-detection, streaming-intent-reasoning, co-evolving-memory

阅读注意

重点关注 DD-MM-PAS 如何协同解决‘何时干预’与‘如何干预’的联合优化问题
注意 IntentFlow 的三种决策模式（silent/fast/full）如何平衡响应速度与个性化深度
分析混合记忆架构如何借鉴计算机存储层次设计应对延迟与规模矛盾
评估 LatentNeeds 数据集构建中人类编辑对提升意图真实性的作用
思考规则奖励与模型奖励结合在 RL 阶段的具体实现细节

质量说明

采用来源：raw，raw/papers/2026/04/2604.08000.md
生成模型：LongCat-Flash-Chat
源材料判断：论文提供了完整的方法描述、实验设置与结果分析，包含架构图、数据流程与用户研究，信息充分支持研究结论。