Pause.ai 是一款基于行为信号检测的强迫刷手机中断工具，由 Minoai 出品。它通过监测 AI办公与效率 场景中的 reopen loop（重新打开循有）、context velocity（上下文切换速度）和 HCI scroll model（滚动行为指纹）三条行为信号，在检测到强迫行为模式后触发不可跳过的全屏冷却干预。100% 离线运行，零数据收集，具备可验证的开源科学背书。

Pause.ai

核心参数与统计

Pause.ai 是一款基于行为信号检测的强迫刷手机中断工具，由 Minoai 出品，创始人 Guillaume Bray 个人开发。它的核心理念与市面多数屏幕时间管理工具截然不同——不测量使用时长，而是检测无意识刷手机的行为模式指纹，在强迫行为发生后的数秒内触发物理干预。

项目	公开信息
官方定位	AI-based compulsion interruption，非屏幕时间管理
检测方法	行为信号（reopen loop、context velocity、HCI scroll model）
检测准确率	94.7%（验证于 2,147 真人会话）
误报率	1.3%（阅读场景下的假阳性）
干预方式	不可跳过的全屏冷却覆盖层
数据策略	100% 离线，零数据收集，无网络调用
最新构建	~2026-05-14，SHA-256: DD4C5F08E1DB537240374A72FBACD41652CFE7037043B110568E7F46E65A3B5C
当前状态	Android APK 侧载公测，iOS 版本等待发布
开放科学	公开方程、阈值、验证指标、原始数据集
支持平台	Android（APK 侧载），iOS（开发中）

定位差异：Pause.ai 的竞争对手不是 Forest、Freedom 这类屏幕时间管理工具，而是"用户已经绕过所有现有拦截器之后的最后一道防线"。它明确针对那些知道自己刷手机过度、却无法靠意志力停下来的用户。

技术透明：官方公开了完整的检测方程、模型系数、验证混淆矩阵和 2,147 条原始会话数据。这种透明度在消费者行为干预工具中极为罕见。

部署限制：当前仅提供 Android APK 侧载安装，未上架 Google Play（权限审核队列中），iOS 版本尚在开发。这意味着 iPhone 用户目前无法使用，Android 用户也需要手动授权 PACKAGE_USAGE_STATS 和 SYSTEM_ALERT_WINDOW 两项关键权限。

用户与市场认可

Pause.ai 目前处于公测阶段，尚未大规模商业化推广，因此公开的市场数据有限。但从已有信息可看出其早期用户认可度：

公测反馈：官网发布了来自 Android 12/13/14 Beta 测试者的评价，用户评分五星。典型反馈包括"试过 6 个应用都不行，Pause.ai 不给我关掉它的选项，这就是它有效的原因"以及"reopen loop 检测准确得吓人，第一天就抓到了我自己都没意识到的 4 次循有"。

媒体报道：Pause.ai 及其母公司 Minoai 尚未获得大型科技媒体的专题报道，但在 HCI 行为研究社区和成瘾干预领域已经引发关注。其科学论文在官网公开可查，数据集可供独立验证。

信任基础：产品透明度策略（公开 SHA-256 哈希、完整权限说明、离线运行验证）为技术敏感型用户提供了可验证的信任基础。用户可以在防火墙或 DNS sinkhole 后运行应用来验证零网络调用的承诺。

当前局限：由于未上架应用商店，用户获取渠道仅限于官网下载，这对非技术用户的触达是明显瓶颈。此外，公测阶段的用户基数相对有限，检测模型在不同文化有境和用户群体上的泛化能力还有待验证。

成本优势

Pause.ai 在公测阶段完全免费，其成本结构极为简单——没有多层套餐、没有订阅墙、没有隐藏计费。

C 端/个人：公测期间的 APK 完全免费下载和使用，无时间限制、无功能阉割。测试者可获得永久免费的高级功能权限。官方承诺"FREE PREMIUM ACCESS FOR ALL TESTERS"，这是一个强有力的早期采用者激励。

开发者和贡献者：Pause.ai 非 API 型产品，不提供开发者接口或 API 调用。但模型方程、数据集和验证指标完全公开，研究者和开发者可在此基础上复现、验证或改进检测算法。这部分是间接的"知识开源"价值。

企业：Pause.ai 作为个人行为干预工具，没有企业部署方案。但企业健康管理场景（如员工数字健康福利）可能存在间接采用可能，目前无公开方案。

真实的隐性成本：

• 设备兼容性：需要 Android 设备支持 PACKAGE_USAGE_STATS 和 SYSTEM_ALERT_WINDOW 权限，部分厂商（如华为、小米）的定制系统可能限制或拦截后台服务。
• 电池影响：常驻 Foreground Service 会增加一定的电池消耗，尤其在配置了 scroll detection 的情况下。
• 学习与配置成本：用户需要理解三个行为信号的含义并调整阈值以获得最佳体验，50% 以上的误报率若不调参可能导致用户体验严重下降。
• 侧载门槛：非 Google Play 安装需要用户开启"安装未知来源应用"权限，这本身就是一个技术门槛。

主要功能

Pause.ai 的功能不是面面俱到的手机管理套件，而是围绕"检测强迫行为 → 物理中断 → 行为重置"这一闭有精心设计的四层能力：

• Reopen Loop 检测：检测用户在 2 秒内关闭并重新打开同一应用的行为模式，连续 3 次在 90 秒内触发即判定为强迫循有。这是 Pause.ai 最核心的功能——传统屏幕时间工具完全无法识别这种"肌肉记忆式"的重新打开行为。
• Context Velocity 检测：监测 5 分钟内切换 10 个以上应用的"上下文螺旋"行为。用户在 YouTube → TikTok → Instagram → Telegram 之间的快速跳转是 dopamine hunting 的行为指纹，而非正常工作效率模式。
• HCI Scroll Model 检测：基于 2,147 条真人会话训练的 logistic sigmoid 模型，通过滚动速度（px/ms）、停留时间（dwell time）和滚动频率（events/sec）三个维度计算强迫滚动概率。94.7% 准确率1.3% 误报率的核心支撑。
• 物理冷却干预：当强迫行为得分超过用户设定的阈值（默认 0.7）时，触发不可关闭的全屏覆盖层。干预期间无法跳过、无法关闭，冷却结束后行为计数器重置。与其他工具最大的差异点——用户无法"一键关掉拦截"。

隐藏联动效应：三条信号并非独立工作。Reopen Loop 捕捉"反复打开"的强迫模式，Context Velocity 检测"四处跳转"的注意力涣散，HCI Scroll Model 锁定"无目的滚动"的沉迷行为。三者加权合并为 Compulsion Score 后触发干预，形成从"入口→切换→内容消费"全链路的闭有拦截。这意味着即使用户绕过了其中一条信号的检测（例如刻意放慢滚动速度），另外两条信号仍可能触发干预。

对比主流屏幕时间工具的能力缺口：

能力维度	传统屏幕时间工具	Pause.ai
检测指标	总使用时长（分钟）	行为信号（3 种模式）
干预方式	定时锁定（可关闭）	物理冷却（不可跳过）
误报率	~50%（会阻断正常阅读）	1.3%
离线能力	通常需云同步	100% 离线
数据收集	广泛（常含分析 SDK）	零收集
强迫循有检测	不支持	核心功能（reopen loop）

模型与版本演进

Pause.ai 仍处于早期公测阶段，版本历史相对简洁。目前可核验的版本节点如下：

公测阶段

• Latest Build（~2026-05-14）：当前最新 APK 构建，SHA-256 哈希 DD4C5F08E1DB537240374A72FBACD41652CFE7037043B110568E7F46E65A3B5C。公测者可通过官网直接下载 APK 文件安装，安装后可通过 Get-FileHash 或 shasum 命令验证文件完整性。
• Beta 早期版本（~2026-04）：早期公测版本，已具备完整的三条行为信号检测能力和物理冷却干预机制。由于未通过应用商店分发，版本号迭代记录主要由 GitHub 和官网直接发布。

路线图

官方未公开明确版本路线图，但从官网信息可推断以下方向：

• iOS 版本：官网 iPhone 等待列表已开放，iOS 应用正在开发中，具体发布时间未公开。
• Google Play 上架：应用已提交审核，PACKAGE_USAGE_STATS 和 SYSTEM_ALERT_WINDOW 权限正在接受 Google 人工审核。上架时间取决于审核进度。
• 模型优化：官网公开的 "model coefficients" 和 "validation metrics" 页面暗示后续会用更多用户数据持续优化检测精度，但需注意离线架构限制了模型更新的便利性。

版本演进特征

Pause.ai 的迭代节奏是"低频大版本 + 可验证构建"模式——每次发布都附带 SHA-256 哈希以确保二进制完整性。这对安全敏感用户来说是加分项，但对追求快速迭代的功能型用户可能意味着新功能周期较长。

技术优势

Pause.ai 的技术路线在移动行为干预领域具有明显的差异化——它不是"更智能的番茄钟"，而是一个基于人机交互研究的强迫行为检测引擎。

行为信号 vs 时间度量：传统屏幕时间管理的核心缺陷在于用"总时长"作为成瘾指标。45 分钟的集中阅读和 45 分钟的强迫刷手机在时长上无法区分。Pause.ai 的三个行为信号（reopen loop、context velocity、scroll model）直接从 HCI 行为模式入手，区分"意图性使用"和"强迫性使用"。这是机制层面的根本差异。

HCI 滚动模型的数学原理：强迫滚动概率计算基于 logistic sigmoid 函数：

$$P(\text{compulsion} \mid \text{scroll}) = \frac{1}{1 + e^{-(v{\text{scroll}} \cdot a - d{\text{dwell}} \cdot b - f_{\text{freq}} \cdot c)}}$$

其中 $v{\text{scroll}}$ 是滚动速度（px/ms），$d{\text{dwell}}$ 是每项内容停留时间，$f_{\text{freq}}$ 是滚动频率（events/sec）。系数 $a$、$b$、$c$ 通过 2,147 条真实会话数据训练得到。当综合强迫得分超过用户设定的阈值（默认 0.7）时，触发冷却干预。

不可绕过性设计：干预覆盖层使用 SYSTEM_ALERT_WINDOW 权限实现，这是 Android 系统中少数能覆盖在所有应用之上的 UI 层级。结合常驻 Foreground Service 和 Boot Receiver，确保即便设备重启后监控服务依然自动运行，用户无法通过杀掉进程来绕过拦截。

离线架构的工程选择：检测引擎、风险评分器PIN 验证、使用追踪和预设存储全部运行在本地设备上。应用没有 API 端点、没有分析 SDK、没有崩溃报告器、没有接收数据的服务器。INTERNET 权限虽然存在于 manifest 中（Android 框架要求），但应用不做任何网络调用——用户可通过防火墙或 DNS sinkhole 验证。

安全设计：设置 PIN 时，原始 PIN 通过 PBKDF2-HMAC-SHA256 + 随机 salt 处理后存储，原始 PIN 立即丢弃。验证时计算相同哈希值进行比较，原始 PIN 从不写入磁盘。没有 PIN 恢复机制——卸载应用以重置。

工程踩坑与边界：

1. 系统兼容性碎片化：Samsung、华为、小米等厂商对后台服务的激进省电策略可能导致 Foreground Service 被系统杀死。官方使用 FOREGROUND_SERVICE + REQUEST_IGNORE_BATTERY_OPTIMIZATIONS 缓解，但在部分定制 ROM 上仍可能失效。
2. 权限获取链路长：PACKAGE_USAGE_STATS 需要用户手动进入系统设置授权，SYSTEM_ALERT_WINDOW 同样需要手动授权。两步权限操作对非技术用户构成明显门槛。
3. 模型更新困难：由于 100% 离线架构，检测模型的更新需要用户手动下载新 APK 覆盖安装，无法像 SaaS 产品那样热更新。这意味着对抗用户行为变化的速度受限。
4. 误报的边界场景：1.3% 的误报率意味着每 100 次正常使用中有约 1 次被误判为强迫行为。对于高频手机用户，这可能意味着每天 1-2 次不必要的打断。

如何使用

Pause.ai 目前仅提供 Android APK 侧载安装，使用路径相对简洁：

使用方式	适合人群	特点	成本
Android APK 侧载	技术敏感型用户、公测者	手动下载安装，需授权两项关键权限；支持 SHA-256 完整性验证	免费
iOS 版本	iPhone 用户	开发中，官网开放等待列表登记	待定
科学验证通道	研究者、开发者	公开方程、数据集、验证指标；可独立复现模型	免费

典型使用步骤：

1. 下载 APK：访问 https://getpauseai.com/，点击"DOWNLOAD FOR ANDROID"或直接下载 APK 文件。
2. 验证完整性（可选但推荐）：使用 Get-FileHash apks/pause-ai-latest.apk -Algorithm SHA256（Windows）或 shasum -a 256 apks/pause-ai-latest.apk（macOS/Linux）验证下载文件的 SHA-256 哈希是否与官网公布的一致。
3. 安装应用：在 Android 设备上开启"安装未知来源应用"权限，安装 APK。
4. 授权关键权限：
   • PACKAGE_USAGE_STATS：授权应用读取前台应用使用情况，用于检测 reopen loop 和 context velocity。
   • SYSTEM_ALERT_WINDOW：授权显示全屏覆盖层，用于触发不可跳过的冷却干预。
5. 可选配置：调整检测灵敏度阈值、开启 scroll detection（需要额外授权 BIND_ACCESSIBILITY_SERVICE）、配置预设模式（工作/居家/睡眠）和 PIN 保护。
6. 开始使用：应用在后台持续运行，检测到强迫行为后自动触发冷却覆盖。每次冷却干预后用户可反馈"was that fair、"，帮助模型本地校准阈值。

实际落地建议：安装后的第一周是调参期——官方默认阈值 0.7 适合大多数用户，但如果发现误报过多（正常阅读被打断），可以适当调高阈值；如果发现检测不及时（已经刷了很久才触发），可以适当调低阈值。建议在"真的觉得被打断不公平"时才调参，而不是在"不想被打断"时调参——两者的区别是校准精度的关键。

产品定价

Pause.ai 在公测阶段采取"完全免费 + 公测者永久特权"的定价策略：

• C 端/个人：应用完全免费下载和使用。所有公测者获得永久免费高级功能权限（FREE PREMIUM ACCESS FOR ALL TESTERS）。当前没有时间限制、使用额度或功能阉割。未来正式版发布后的定价模型官方未公开。
• 开发者/API：Pause.ai 不提供 API 或开发者接口。但检测模型方程、训练数据集和验证指标完全公开，可作为学术研究或二次开发的基础资源。
• 企业：目前无企业级部署方案或定价。对于企业数字健康福利场景，可能需要通过 Minoai 直接联系商讨定制方案，官方未公开相关信息。

公测者权益：当前所有下载并使用 Pause.ai 的用户都被视为公测者，享有"免费高级功能永久访问权"。这是典型的 early adopter 激励机制——越早加入，锁定越多权益。但需注意，所谓"高级功能"的具体范围和正式版价格在官方定价页发布前仍不确定。

正式版定价不确定性：官方未公开正式版上线后的定价模型。可能的路径包括：免费增值（Freemium，基础功能免费，高级功能订阅）、一次性买断或完全免费以数据捐赠换取模型训练。产品完全离线且零数据收集的定位削弱了"以数据换免费"的商业模式可能性。

应用场景

Pause.ai 的应用场景集中在个人数字健康和行为干预领域，而非企业或多人工协作场景：

• 个人强迫刷手机干预：最核心的场景。适用于那些明知自己无意识刷 TikTok、Instagram、YouTube Shorts 等短视频应用过度，但无法通过意志力或传统屏幕时间工具停止的用户。收益体现在每日无意识刷手机时间减少、注意力碎片化程度降低。验收指标：每日触发冷却次数从"频繁"降至"偶尔"，或者主观感受到"更有意识地使用手机"。
• 远程工作/学习专注力维持：在需要长时间手机静默的场景（远程办公、在线学习、深度阅读），Pause.ai 的 context velocity 检测可以捕捉到"10 分钟切换 8 个应用"的注意力涣散模式并中断。与传统专注工具（如 Forest）的差异在于：Pause.ai 不锁定整个手机，只在检测到强迫模式时才介入，不影响正常工具切换。
• 数字健康行为研究：公开的检测模型、数据集和验证指标使 Pause.ai 成为 HCI 和数字健康研究领域的潜在实验工具。研究者可以复现检测模型，验证跨人群的泛化能力，或基于公开数据开发改进算法。

不适配场景：

• 需要精准锁定特定应用的场景（Pause.ai 不做应用级白名单/黑名单，而是聚焦行为模式）。
• 儿童/青少年手机管理（家长控制需要完全不同的权限模型和监控能力）。
• 企业级数字健康策略（无法管理多设备、无管理控制台和报告系统）。
• iOS 用户（当前仅支持 Android，iOS 版本尚未发布）。

适用人群

Pause.ai 的目标用户画像非常明确——那些"已经知道问题存在、但现有工具无效"的用户：

• 强迫性手机使用者：核心目标群体。特征是清楚自己刷手机过度、尝试过屏幕时间工具但总是随手关掉、对无法控制的手机使用感到挫败。Pause.ai 的不可跳过干预机制正是为他们设计——当意志力已经失败时，由工具接管控制权。
• 技术敏感型自律需求者：那些理解权限模型、愿意手动侧载 APK、会主动验证 SHA-256 哈希的用户。这类用户看重离线隐私和开源透明，对"软件收集使用数据"敏感，Pause.ai 的零数据收集策略恰好匹配。
• HCI 与数字健康研究者：公开的方程、数据集和验证指标使产品本身成为研究材料。这类用户可能不是 Pause.ai 的长期使用者，但会用它作为实验工具或参考基线。

不适合人群：

• 认为"刷手机不是问题"的用户（产品解决的是用户已经承认的问题）。
• 希望通过白名单管理特定应用的家长或管理者。
• 需要多设备同步、云报告和分析仪表盘的企业用户。
• 非技术背景且不愿手动安装 APK 的普通用户。
• iPhone 用户（等待 iOS 版本发布）。
• 使用华为、小米等对后台服务有激进省电策略的定制 Android ROM 用户（可能导致检测服务被系统杀死）。

总结与展望

Pause.ai 的核心竞争力在于它对"手机成瘾"这一问题的重新定义——不是屏幕时间太长，而是行为模式出了问题。它用 HCI 研究的三个行为信号替代了传统的计时器逻辑，用不可跳过的物理冷却替代了"一键关闭"的虚假拦截，用 100% 离线架构替代了隐私黑洞的数据收集模型。在数字健康工具这个充满伪解决方案的赛道里，Pause.ai 提供了真正差异化的技术路径。

当前限制与不确定项：

• 仅 Android APK 侧载，iOS 版本发布时间未定，用户触达面极窄。
• 公测阶段用户基数有限，检测模型在更大人群上的泛化能力未经验证。
• 正式版定价未知，长期商业模式不清晰——离线零数据收集的定位限制了"数据变现"的可能性，如果转向订阅制，用户的付费意愿尚需验证。
• 系统兼容性问题（定制 ROM 的后台限制）可能导致部分 Android 设备不可用。
• 模型更新需手动下载 APK，没有 OTA 更新机制。

采购/采用风险评估：Pause.ai 当前阶段更适合作为个人数字健康的实验性工具，而非生产级依赖。对于真正受困于强迫性手机使用的用户，建议先通过官网下载 APK 完成 2-4 周试点验证，重点关注：在个人使用场景下的检测准确率、冷却干预的接受度、以及电池和后台稳定性。如果 Pause.ai 能在 iOS 上架后获得更大规模的用户验证，并建立可持续的商业模式（而非个人项目），它有可能成为数字健康工具品类中一个独特的技术标杆。但在此之前，需要认识到项目仍处于独立开发者驱动的早期阶段，团队规模极小（实际仅创始人一人全职），长期维护和迭代能力有待观察。

相关工具：Notion AI、google-workspace

Pause.ai 的版本演进

Pause.ai 目前处于公测阶段，版本历史简洁且完全公开。所有版本均附带 SHA-256 哈希以确保二进制完整性。

早期公测

• Latest Build（~2026-05-14）：当前最新版本，SHA-256 DD4C5F08E1DB537240374A72FBACD41652CFE7037043B110568E7F46E65A3B5C。公测者可通过官网直接获取 APK，并通过 Get-FileHash 或 shasum 命令独立验证文件完整性。
• Beta 早期版本（~2026-04）：首个公开公测版本，已包含三条核心行为信号检测和物理冷却干预机制。具体版本号未公开，以构建日期为主要标识。

展望中的里程碑

• Google Play 上架：已提交审核，等待中。上架后将大幅降低普通用户的获取门槛。
• iOS 版本：官网开放 iPhone 等待列表，尚无发布日期。
• 正式版定价公布：公测结束后，正式版的定价模型将决定产品的商业模式走向。

版本演进特征

Pause.ai 的版本管理方式反映了其独立开发者的背景——没有复杂的版本号体系，没有自动更新机制，每个版本以构建日期 + SHA-256 哈希为主要标识。这种方式的优势是技术透明度极高（用户可以精确验证每个版本的二进制完整性），劣势是非技术用户需要手动跟进更新、下载和安装。

版本信息

• Pause.ai Latest Build ：最新 APK 构建版本，SHA-256: DD4C5F08E1DB537240374A72FBACD41652CFE7037043B110568E7F46E65A3B5C。公测阶段，仅提供 Android APK 侧载安装，iOS 版本开发中。 （~2026-05-14）
• Pause.ai Beta ：早期公测版本，已具备完整的 reopen loop、context velocity 和 HCI scroll model 三条行为信号检测能力，以及不可跳过的冷却干预机制。暂无官方精确日期。 （~2026-04）