论文提出记忆驱动主动协助基准，并给出 MemoProAgent 方法。
资讯摘要
论文提出记忆驱动的主动协助（MPA）任务，要求系统从长程个人记忆中挖掘干预依据，并自行判断是否以及何时开口。作者构建 MemoProBench 基准，将第一视角视频与平均约 61.8 万 token 的年度干扰性记忆配对，并联合评估内容与时机。所有基线表现均不佳（最高约 15%）；MemoProAgent 通过图组织记忆库与门控机制，在未训练时把严格准确率提升至约 37.5%–38%，经 RL 后训练达 42.4%。
要点速读
- MemoProBench 将第一视角视频与平均约 61.8 万 token 的年度个人记忆配对，并采用同时评估内容与时机的协议。
- 作者报告所有基线最高仅约 15%；对照实验显示，提供 oracle 证据时 GPT-5.3-Chat 达 96%，让其自行选择时机降至 38%，改用检索证据降至 15%。
- MemoProAgent 使用图组织记忆库与门控机制筛选值得打断的记忆，并加入轻量 RL 抑制过早和重复触发；未训练时在 Qwen3.8-27B 上为 37.5%、GPT-5.3-Chat 上为 38%，RL 后训练达 42.4%。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/23 08:00:11（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。