Cette page est une traduction automatique et peut contenir des imprécisions. La version anglaise fait foi. Voir la version anglaise
Le modèle de répétition espacée (SRS) développé par Mibuki. Sur trois benchmarks publics, il dépasse largement les paramètres par défaut de la référence du secteur, FSRS-7 — offrant une forte précision personnalisée avant toute optimisation par utilisateur.
← Retour à LangDictPublié le 21 juin 2026 · Dernière mise à jour le 28 juillet 2026 · Benchmark exécuté en juin 2026 · Version du modèle Lexa 3.0
Vos habitudes de mémorisation sont partagées entre vos cartes — vos autres cartes sont donc le meilleur indice.
Le cœur d’un planificateur de répétition espacée, c’est de prédire à quel point vous vous souviendrez d’une carte, ce qui détermine quand la réviser. La référence du secteur, FSRS, personnalise en ajustant des paramètres par utilisateur (per-user fitting) — puissant, mais il faut un réglage pour chaque utilisateur.
Lexa emprunte la route inverse. Des traits comme la vitesse à laquelle vous oubliez, votre façon de noter et votre rythme de révision sont partagés entre vos cartes. Lexa lit non seulement la carte visée mais aussi l’historique de révision de vos autres cartes comme entrée in-context, si bien qu’un seul modèle partagé se personnalise sans aucun réglage par utilisateur.
Autrement dit — au lieu d’apprendre « les tendances des autres utilisateurs », il lit votre façon d’oublier directement dans le reste de vos propres cartes. C’est ce que Lexa apporte de nouveau.
Il lit l’historique de vos autres cartes, estime à quel point chaque carte est retenue et fixe la date de la prochaine révision.
Lexa dépasse FSRS-7 tel qu’il sort de la boîte (paramètres par défaut) sur les trois benchmarks publics — avant toute optimisation par utilisateur.
Score de prédiction de la mémoire (1 − Log Loss, plus c’est élevé, mieux c’est)
FSRS évolue vite. Ce qui est publié ici est la comparaison aux dates indiquées ci-dessus ; une version plus récente de FSRS pourrait obtenir d’autres scores. La référence de comparaison est la configuration par défaut de FSRS-7, et les valeurs de référence ci-dessous ont été recalculées à partir de l’exécution conservée dans le dépôt LangDict (research/srs-benchmark/result) et concordent.
| Jeu de données | 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 ne nécessite aucun réglage ni entraînement par utilisateur et reste précis sans phase d’ajustement individuel. Tel quel — avant que l’un ou l’autre modèle ne soit ajusté à vous — il dépasse déjà les paramètres par défaut de FSRS-7 sur les trois jeux de données. L’écart n’est pas uniforme : +0.095 sur Duolingo, +0.050 sur maimemo, +0.036 sur Anki.
Évalué sur trois jeux de données issus du monde réel.
~727 M de révisions / 10 000 utilisateurs
Cartes de révision classiques
~226 M de révisions / vocabulaire
Application de vocabulaire chinois
~13 M de révisions / par session
Jeu de données HLR
Métrique : per-user weighted Log Loss (plus c’est bas, mieux c’est).
La précision n’est pas qu’un chiffre de benchmark — elle façonne directement votre apprentissage.
Lexa localise précisément le moment où vous êtes sur le point d’oublier. Trop tôt, les révisions sont ennuyeuses ; trop tard, il faut tout réapprendre. Lexa resserre cette fenêtre. Dans l’application, le rapport indique de combien il a réduit les révisions programmées sur les 7 derniers jours. Ce chiffre provient du rejeu du même historique d’étude à travers SM-2, puis d’une comparaison — c’est une estimation de la charge de planification, pas une mesure des résultats d’apprentissage.
Aucun paramètre à régler et aucune attente d’un apprentissage propre à l’utilisateur. Ouvrez l’application et étudiez — elle planifie pour vous dès le départ.
La personnalisation s’exécute entièrement sur votre appareil. Confidentialité et précision à la fois.
Nous continuons d’expérimenter sur notre propre chaîne de benchmark et améliorons en continu le modèle que nous livrons.
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.