Diese Seite ist maschinell übersetzt und kann Ungenauigkeiten enthalten. Maßgeblich ist die englische Fassung. Zur englischen Fassung
Mibukis eigenes Modell für Spaced Repetition (SRS). Auf drei öffentlichen Benchmarks schlägt es die Standardeinstellungen des Branchenstandards FSRS-7 mit deutlichem Abstand — mit starker personalisierter Genauigkeit noch vor jeder nutzerspezifischen Optimierung.
← Zurück zu LangDictVeröffentlicht 21. Juni 2026 · Zuletzt aktualisiert 28. Juli 2026 · Benchmark-Lauf Juni 2026 · Modellversion Lexa 3.0
Deine Gedächtnisgewohnheiten sind über deine Karten hinweg dieselben — deshalb sind deine anderen Karten der beste Hinweis.
Das Herz eines Spaced-Repetition-Schedulers ist die Vorhersage, wie gut du dich an eine Karte erinnern wirst, und daraus folgt, wann sie wiederholt wird. Der Branchenstandard FSRS personalisiert, indem er Parameter pro Nutzer anpasst (per-user fitting) — wirkungsvoll, aber es braucht ein Tuning für jede einzelne Person.
Lexa geht den umgekehrten Weg. Eigenschaften wie das Tempo, in dem du vergisst, wie du bewertest und dein Wiederholungsrhythmus sind über deine Karten hinweg geteilt. Lexa liest nicht nur die Zielkarte, sondern die Wiederholungshistorie deiner anderen Karten als In-Context-Eingabe, sodass ein einziges gemeinsames Modell ohne jedes nutzerspezifische Tuning personalisiert.
Anders gesagt — statt „die Tendenzen anderer Nutzer“ zu lernen, liest es direkt aus dem Rest deiner eigenen Karten ab, wie du vergisst. Genau das ist an Lexa neu.
Es liest die Historie deiner anderen Karten, schätzt, wie gut jede Karte sitzt, und legt das nächste Wiederholungsdatum fest.
Lexa schlägt das FSRS-7 im Auslieferungszustand (Standardeinstellungen) auf allen drei öffentlichen Benchmarks — noch vor jeder nutzerspezifischen Optimierung.
Gedächtnis-Vorhersagescore (1 − Log Loss, höher ist besser)
FSRS entwickelt sich schnell. Veröffentlicht ist hier der Vergleich zu den oben genannten Zeitpunkten; ein neueres FSRS kann anders abschneiden. Die Vergleichsbasis ist die Standardkonfiguration von FSRS-7, und die Basiswerte unten wurden aus dem gespeicherten Lauf im LangDict-Repository (research/srs-benchmark/result) neu berechnet und stimmen damit überein.
| Datensatz | FSRS-7 (default) | Lexa 3.0 |
|---|---|---|
| Anki | 0.646 (.3543) | 0.682 (.3184) |
| Duolingo | 0.577 (.4231) | 0.672 (.3280) |
| maimemo | 0.488 (.5121) | 0.538 (.4621) |
Lexa braucht kein nutzerspezifisches Tuning und kein Training und ist ohne eine Anpassungsphase pro Person genau. Direkt aus der Box — bevor eines der beiden Modelle an dich angepasst wurde — schlägt es die Standardeinstellungen von FSRS-7 auf allen drei Datensätzen. Der Abstand ist nicht gleichmäßig: +0.095 bei Duolingo, +0.050 bei maimemo, +0.036 bei Anki.
Evaluiert auf drei realen Datensätzen.
~727 Mio. Wiederholungen / 10.000 Nutzer
Klassische Karteikarten
~226 Mio. Wiederholungen / Vokabeln
Chinesische Vokabel-App
~13 Mio. Wiederholungen / sitzungsbasiert
HLR-Datensatz
Metrik: per-user weighted Log Loss (niedriger ist besser).
Genauigkeit ist nicht nur eine Benchmark-Zahl — sie prägt dein Lernen direkt.
Lexa trifft genau den Moment, in dem du kurz davor bist zu vergessen. Zu früh, und Wiederholungen langweilen; zu spät, und du musst neu lernen. Lexa verengt dieses Fenster. In der App zeigt der Bericht, um wie viel es die in den letzten 7 Tagen eingeplanten Wiederholungen gesenkt hat. Diese Zahl stammt daraus, dieselbe Lernhistorie durch SM-2 laufen zu lassen und zu vergleichen — sie ist eine Schätzung der Wiederholungslast, keine Messung von Lernergebnissen.
Keine Parameter zum Einstellen und kein Warten auf nutzerspezifisches Lernen. Einfach die App öffnen und lernen — sie plant von Anfang an auf dich zugeschnitten.
Die Personalisierung läuft vollständig auf deinem Gerät. Datenschutz und Genauigkeit zusammen.
Wir experimentieren weiter auf unserer eigenen Benchmark-Pipeline und verbessern das ausgelieferte Modell fortlaufend.
open-spaced-repetition. FSRS: Free Spaced Repetition Scheduler. GitHub.
open-spaced-repetition. srs-benchmark: Benchmark of Spaced Repetition Algorithms. GitHub.
open-spaced-repetition. anki-revlogs-10k: Anki review logs from 10,000 users. Hugging Face.
Settles, B., & Meeder, B. (2016). A Trainable Spaced Repetition Model for Language Learning. Proceedings of the 54th Annual Meeting of the ACL.
Ebbinghaus, H. (1885). Über das Gedächtnis: Untersuchungen zur experimentellen Psychologie. Leipzig: Duncker & Humblot.