Halaman ini adalah terjemahan mesin dan mungkin mengandung ketidakakuratan. Versi bahasa Inggris yang berlaku. Lihat versi bahasa Inggris
Model spaced repetition (SRS) buatan Mibuki sendiri. Pada tiga benchmark publik ia mengungguli pengaturan default FSRS-7, standar industri, dengan margin lebar — menghadirkan akurasi terpersonalisasi yang kuat sebelum optimasi per pengguna apa pun.
← Kembali ke LangDictDipublikasikan 21 Juni 2026 · Terakhir diperbarui 28 Juli 2026 · Benchmark dijalankan Juni 2026 · Versi model Lexa 3.0
Kebiasaan mengingat Anda sama di semua kartu — jadi kartu-kartu Anda yang lain adalah petunjuk terbaiknya.
Inti dari sebuah penjadwal spaced repetition adalah memprediksi seberapa baik Anda akan mengingat sebuah kartu, yang menentukan kapan kartu itu diulang. Standar industri, FSRS, melakukan personalisasi dengan menyetel parameter per pengguna (per-user fitting) — ampuh, tetapi butuh penyetelan untuk setiap pengguna.
Lexa mengambil jalur sebaliknya. Sifat seperti seberapa cepat Anda lupa, bagaimana Anda memberi nilai, dan ritme pengulangan Anda sama di seluruh kartu Anda. Lexa membaca bukan hanya kartu yang sedang diprediksi, melainkan juga riwayat pengulangan kartu-kartu Anda yang lain sebagai masukan in-context, sehingga satu model bersama melakukan personalisasi tanpa penyetelan per pengguna.
Dengan kata lain — alih-alih mempelajari “kecenderungan pengguna lain”, ia membaca cara Anda melupakan langsung dari sisa kartu Anda sendiri. Itulah kebaruan Lexa.
Ia membaca riwayat kartu-kartu Anda yang lain, memperkirakan seberapa baik tiap kartu tertahan dalam ingatan, dan menetapkan tanggal pengulangan berikutnya.
Lexa mengungguli FSRS-7 apa adanya (default) pada ketiga benchmark publik — sebelum optimasi per pengguna apa pun.
Skor prediksi memori (1 − Log Loss, makin tinggi makin baik)
FSRS bergerak cepat. Yang dipublikasikan di sini adalah perbandingan per tanggal-tanggal di atas; FSRS yang lebih baru bisa memberi skor berbeda. Baseline-nya adalah konfigurasi default FSRS-7, dan angka baseline di bawah ini dihitung ulang dari hasil eksekusi yang tersimpan di repositori LangDict (research/srs-benchmark/result) dan hasilnya cocok.
| Dataset | 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 tidak membutuhkan penyetelan atau pelatihan per pengguna dan tetap akurat tanpa fase fitting per pengguna. Apa adanya — sebelum kedua model disesuaikan dengan Anda — ia sudah mengungguli pengaturan default FSRS-7 pada ketiga dataset. Marginnya tidak seragam: +0.095 pada Duolingo, +0.050 pada maimemo, +0.036 pada Anki.
Dievaluasi pada tiga dataset dunia nyata.
~727M pengulangan / 10.000 pengguna
Kartu hafalan standar
~226M pengulangan / kosakata
Aplikasi kosakata bahasa Mandarin
~13M pengulangan / berbasis sesi
Dataset HLR
Metrik: per-user weighted Log Loss (makin rendah makin baik).
Akurasi bukan sekadar angka benchmark — ia membentuk cara Anda belajar secara langsung.
Lexa menunjuk tepat pada momen ketika Anda hampir lupa. Terlalu awal, pengulangan jadi membosankan; terlalu lambat, Anda harus belajar ulang. Lexa mempersempit jendela itu. Di dalam aplikasi, laporannya menunjukkan seberapa banyak ia memangkas jumlah pengulangan yang dijadwalkan selama 7 hari terakhir. Angka itu berasal dari memutar ulang riwayat belajar yang sama melalui SM-2 lalu membandingkannya — ia adalah perkiraan beban penjadwalan, bukan pengukuran hasil belajar.
Tidak ada parameter untuk disetel dan tidak perlu menunggu pembelajaran per pengguna. Cukup buka aplikasinya dan belajar — ia menjadwalkan sesuai Anda sejak awal.
Personalisasi berjalan sepenuhnya di perangkat Anda. Privasi dan akurasi sekaligus.
Kami terus bereksperimen di pipeline benchmark kami sendiri dan terus memperbaiki model yang kami kirimkan.
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.