Research / Lexa 3.0
Lexa
El modelo propio de repetición espaciada (SRS) de Mibuki. En tres benchmarks públicos supera por un margen amplio los ajustes por defecto del estándar del sector, FSRS-7, ofreciendo una precisión personalizada alta antes de cualquier optimización por usuario.
← Volver a LangDictPublicado el 21 de junio de 2026 · Última actualización: 28 de julio de 2026 · Benchmark ejecutado en junio de 2026 · Versión del modelo Lexa 3.0
- 3
- public benchmarks
- +0.095
- Duolingo
- 0
- per-user fitting
In-context entre tarjetas
Tus hábitos de memoria son compartidos entre tarjetas, así que tus otras tarjetas son la mejor pista.
El corazón de un programador de repetición espaciada es predecir cómo de bien vas a recordar una tarjeta, lo que decide cuándo repasarla. El estándar del sector, FSRS, personaliza ajustando parámetros por usuario (per-user fitting): es potente, pero necesita un ajuste para cada usuario.
Lexa toma el camino opuesto. Rasgos como la rapidez con la que olvidas, cómo puntúas y tu ritmo de repaso son compartidos entre tus tarjetas. Lexa lee no solo la tarjeta objetivo, sino el historial de repasos de tus otras tarjetas como entrada in-context, de modo que un único modelo compartido personaliza sin ningún ajuste por usuario.
Dicho de otro modo — en lugar de aprender «las tendencias de otros usuarios», lee cómo olvidas tú directamente del resto de tus propias tarjetas. Eso es lo nuevo en Lexa.
Cómo funciona
Lee el historial de tus otras tarjetas, estima cómo de bien se retiene cada una y fija la fecha del siguiente repaso.
- 01
Historial de repasos de tus otras tarjetas (cronológico)
banana · cat · apple ?
- 02
Lexa Transformer
Un solo modelo global · ~19K parámetros
- 03
Estimar la fuerza del recuerdo
cómo de difícil es olvidar cada tarjeta
- 04
Momento del siguiente repaso
aparece justo antes de que la olvidaras
Precisión
Lexa supera al FSRS-7 tal como viene de fábrica (por defecto) en los tres benchmarks públicos, antes de cualquier optimización por usuario.
Anki
Duolingo
maimemo
Lexa no necesita ajuste ni entrenamiento por usuario y es precisa sin una fase de ajuste individual. Tal como viene de fábrica — antes de que ninguno de los dos modelos se ajuste a ti — ya supera los ajustes por defecto de FSRS-7 en los tres conjuntos de datos. El margen no es uniforme: +0.095 en Duolingo, +0.050 en maimemo, +0.036 en Anki.
FSRS avanza rápido. Lo que se publica aquí es la comparación en las fechas indicadas; una versión más reciente de FSRS podría puntuar de otra forma. La línea base es la configuración por defecto de FSRS-7, y las cifras de la línea base que aparecen debajo se recalcularon a partir de la ejecución guardada en el repositorio de LangDict (research/srs-benchmark/result) y coinciden.
| Conjunto de datos | 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) |
Cómo evaluamos
Evaluado en tres conjuntos de datos del mundo real.
- 01Anki
- ~727M repasos / 10.000 usuariosTarjetas de memoria estándar
- 02maimemo
- ~226M repasos / vocabularioApp de vocabulario en chino
- 03Duolingo
- ~13M repasos / basado en sesionesConjunto de datos HLR
Métrica: per-user weighted Log Loss (más bajo es mejor).
Qué significa esto para quien usa LangDict
La precisión no es solo una cifra de benchmark: moldea tu aprendizaje directamente.
- 01
Menos repasos programados
Lexa señala con precisión el momento en que estás a punto de olvidar. Demasiado pronto y los repasos aburren; demasiado tarde y hay que reaprender. Lexa estrecha esa ventana. En la app, el informe muestra cuánto ha reducido los repasos programados en los últimos 7 días. Esa cifra procede de reproducir el mismo historial de estudio con SM-2 y comparar: es una estimación de la carga de programación, no una medición de resultados de aprendizaje.
- 02
Cero configuración, funciona desde el primer día
No hay parámetros que ajustar ni que esperar a un aprendizaje por usuario. Solo abre la app y estudia: programa a tu medida desde el principio.
- 03
En el dispositivo y privado
La personalización se ejecuta por completo en tu dispositivo. Privacidad y precisión a la vez.
- 04
En mejora continua
Seguimos experimentando en nuestra propia infraestructura de benchmarks y mejoramos de forma continua el modelo que entregamos.
References
- 01
open-spaced-repetition. FSRS: Free Spaced Repetition Scheduler. GitHub ↗
- 02
open-spaced-repetition. srs-benchmark: Benchmark of Spaced Repetition Algorithms. GitHub ↗
- 03
open-spaced-repetition. anki-revlogs-10k: Anki review logs from 10,000 users. Hugging Face ↗
- 04
Settles, B., & Meeder, B. (2016). A Trainable Spaced Repetition Model for Language Learning. Proceedings of the 54th Annual Meeting of the ACL.
- 05
Ebbinghaus, H. (1885). Über das Gedächtnis: Untersuchungen zur experimentellen Psychologie. Leipzig: Duncker & Humblot.