यह पृष्ठ AI द्वारा अनूदित है और इसमें अशुद्धियाँ हो सकती हैं। अंग्रेज़ी संस्करण ही प्रामाणिक है। अंग्रेज़ी संस्करण देखें

Research / Lexa 3.0

Lexa

Mibuki का अपना स्पेस्ड रिपिटीशन (SRS) मॉडल। तीन सार्वजनिक बेंचमार्क पर यह उद्योग-मानक FSRS-7 की डिफ़ॉल्ट सेटिंग्स से बड़े अंतर से आगे निकलता है — किसी भी प्रति-उपयोगकर्ता अनुकूलन से पहले ही मज़बूत व्यक्तिगत सटीकता देता है।

← LangDict पर वापस

प्रकाशित: 21 जून 2026 · अंतिम अपडेट: 28 जुलाई 2026 · बेंचमार्क चलाया गया: जून 2026 · मॉडल संस्करण: Lexa 3.0

3
public benchmarks
+0.095
Duolingo
0
per-user fitting
01

क्रॉस-कार्ड in-context

आपकी स्मृति की आदतें सभी कार्ड में साझा होती हैं — इसलिए आपके बाकी कार्ड ही सबसे अच्छा सुराग हैं।

स्पेस्ड रिपिटीशन शेड्यूलर का केंद्र यह पूर्वानुमान लगाना है कि आपको कोई कार्ड कितना याद रहेगा, और इसी से तय होता है कि उसे कब दोहराना है। उद्योग-मानक FSRS हर उपयोगकर्ता के लिए पैरामीटर फ़िट करके (per-user fitting) व्यक्तिगत बनाता है — यह शक्तिशाली है, पर हर उपयोगकर्ता के लिए ट्यूनिंग चाहिए।

Lexa उल्टा रास्ता लेता है। आप कितनी तेज़ी से भूलते हैं, कैसे रेटिंग देते हैं, आपकी दोहराने की लय कैसी है — ये लक्षण आपके सभी कार्ड में साझा होते हैं। Lexa सिर्फ़ लक्ष्य कार्ड नहीं, बल्कि आपके बाकी कार्ड का दोहराने का इतिहास भी in-context इनपुट के रूप में पढ़ता है, जिससे एक ही साझा मॉडल बिना किसी प्रति-उपयोगकर्ता ट्यूनिंग के व्यक्तिगत बन जाता है।

दूसरे शब्दों में — यह “दूसरे उपयोगकर्ताओं की प्रवृत्तियाँ” सीखने के बजाय, आपके अपने बाकी कार्ड से सीधे पढ़ लेता है कि आप कैसे भूलते हैं। Lexa में नया यही है।

02

यह कैसे काम करता है

यह आपके बाकी कार्ड का इतिहास पढ़ता है, आँकता है कि हर कार्ड कितनी अच्छी तरह याद है, और अगली दोहराई की तारीख़ तय करता है।

  1. 01

    आपके बाकी कार्ड का दोहराने का इतिहास (कालक्रम में)

    banana · cat · apple ?

  2. 02

    Lexa Transformer

    एक ही ग्लोबल मॉडल · ~19K पैरामीटर

  3. 03

    स्मृति की मज़बूती का अनुमान

    हर कार्ड को भूलना कितना मुश्किल है

  4. 04

    अगली दोहराई का समय

    ठीक उससे पहले जब आप भूलने वाले होते हैं

03

सटीकता

Lexa तीनों सार्वजनिक बेंचमार्क पर बिना किसी बदलाव वाले (डिफ़ॉल्ट) FSRS-7 से आगे निकलता है — किसी भी प्रति-उपयोगकर्ता अनुकूलन से पहले।

Anki

0.646
0.682

Duolingo

0.577
0.672

maimemo

0.488
0.538
स्मृति-पूर्वानुमान स्कोर (1 − Log Loss, जितना ज़्यादा उतना बेहतर)

Lexa को किसी प्रति-उपयोगकर्ता ट्यूनिंग या ट्रेनिंग की ज़रूरत नहीं है और यह प्रति-उपयोगकर्ता फ़िटिंग चरण के बिना भी सटीक रहता है। बिना किसी बदलाव के — इससे पहले कि दोनों में से कोई मॉडल आप पर फ़िट किया जाए — यह पहले ही तीनों डेटासेट पर FSRS-7 की डिफ़ॉल्ट सेटिंग्स से आगे निकल जाता है। अंतर एक-सा नहीं है: Duolingo पर +0.095, maimemo पर +0.050, Anki पर +0.036।

FSRS तेज़ी से बदलने वाला प्रोजेक्ट है। यहाँ जो प्रकाशित है वह ऊपर दी गई तारीख़ों तक की तुलना है; FSRS का नया संस्करण अलग स्कोर दे सकता है। तुलना FSRS-7 की डिफ़ॉल्ट सेटिंग्स से है, और नीचे दिए तुलना-आधार के आँकड़े LangDict रिपॉज़िटरी में सहेजे गए रन (research/srs-benchmark/result) से दोबारा गणना करके मिलाए गए हैं, और वे मेल खाते हैं।

स्मृति-पूर्वानुमान स्कोर (1 − Log Loss, जितना ज़्यादा उतना बेहतर)। कोष्ठक में कच्चा Log Loss (जितना कम उतना बेहतर)। तुलना FSRS-7 की डिफ़ॉल्ट सेटिंग्स से।
डेटासेटFSRS-7 (default)Lexa 3.0
Anki0.646 (.3543)0.682 (.3184)
Duolingo0.577 (.4231)0.672 (.3280)
maimemo0.488 (.5121)0.538 (.4621)
04

हम मूल्यांकन कैसे करते हैं

तीन वास्तविक-दुनिया डेटासेट पर मूल्यांकन किया गया।

01Anki
~727M रिव्यू / 10,000 उपयोगकर्तामानक फ़्लैशकार्ड
02maimemo
~226M रिव्यू / शब्दावलीचीनी शब्दावली ऐप
03Duolingo
~13M रिव्यू / सत्र-आधारितHLR डेटासेट

मापदंड: per-user weighted Log Loss (जितना कम उतना बेहतर)।

05

इसका LangDict उपयोगकर्ताओं के लिए क्या मतलब है

सटीकता सिर्फ़ बेंचमार्क का एक आँकड़ा नहीं है — यह आपके सीखने को सीधे आकार देती है।

  1. 01

    कम रिव्यू शेड्यूल होते हैं

    Lexa ठीक उस पल को पकड़ता है जब आप भूलने वाले होते हैं। बहुत जल्दी दोहराएँ तो रिव्यू उबाऊ हो जाते हैं; बहुत देर हो जाए तो दोबारा सीखना पड़ता है। Lexa उस खिड़की को सँकरा करता है। ऐप में रिपोर्ट दिखाती है कि पिछले 7 दिनों में शेड्यूल हुए रिव्यू कितने घट गए। यह संख्या उसी अध्ययन-इतिहास को SM-2 से दोबारा चलाकर तुलना करने से आती है — यह रिव्यू शेड्यूलिंग के बोझ का अनुमान है, सीखने के परिणामों का माप नहीं।

  2. 02

    शून्य सेटअप, पहले दिन से काम करता है

    न कोई पैरामीटर ट्यून करना है, न प्रति-उपयोगकर्ता सीखने का इंतज़ार। बस ऐप खोलिए और पढ़िए — यह शुरुआत से ही आपके हिसाब से शेड्यूल करता है।

  3. 03

    डिवाइस पर ही, निजी

    व्यक्तिगत बनाने का पूरा काम आपके डिवाइस पर ही होता है। निजता और सटीकता, दोनों साथ।

  4. 04

    लगातार बेहतर होता हुआ

    हम अपने बेंचमार्क पाइपलाइन पर प्रयोग करते रहते हैं और जो मॉडल उपयोगकर्ताओं तक पहुँचाते हैं उसे लगातार बेहतर बनाते हैं।

06

References

  1. 01

    open-spaced-repetition. FSRS: Free Spaced Repetition Scheduler. GitHub ↗

  2. 02

    open-spaced-repetition. srs-benchmark: Benchmark of Spaced Repetition Algorithms. GitHub ↗

  3. 03

    open-spaced-repetition. anki-revlogs-10k: Anki review logs from 10,000 users. Hugging Face ↗

  4. 04

    Settles, B., & Meeder, B. (2016). A Trainable Spaced Repetition Model for Language Learning. Proceedings of the 54th Annual Meeting of the ACL.

  5. 05

    Ebbinghaus, H. (1885). Über das Gedächtnis: Untersuchungen zur experimentellen Psychologie. Leipzig: Duncker & Humblot.

← LangDict पर वापस