Halaman ini diterjemahkan oleh AI dan mungkin mengandung ketidakakuratan. Versi bahasa Inggris yang berlaku. Lihat versi bahasa Inggris

Research / Lexa 3.0

Lexa

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 LangDict

Dipublikasikan 21 Juni 2026 · Terakhir diperbarui 28 Juli 2026 · Benchmark dijalankan Juni 2026 · Versi model Lexa 3.0

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

Cross-card in-context

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.

02

Cara kerjanya

Ia membaca riwayat kartu-kartu Anda yang lain, memperkirakan seberapa baik tiap kartu tertahan dalam ingatan, dan menetapkan tanggal pengulangan berikutnya.

  1. 01

    Riwayat pengulangan kartu-kartu Anda yang lain (kronologis)

    banana · cat · apple ?

  2. 02

    Lexa Transformer

    Satu model global · ~19K parameter

  3. 03

    Perkirakan kekuatan ingatan

    seberapa sulit tiap kartu dilupakan

  4. 04

    Waktu pengulangan berikutnya

    muncul tepat sebelum Anda lupa

03

Akurasi

Lexa mengungguli FSRS-7 apa adanya (default) pada ketiga benchmark publik — sebelum optimasi per pengguna apa pun.

Anki

0.646
0.682

Duolingo

0.577
0.672

maimemo

0.488
0.538
Skor prediksi memori (1 − Log Loss, makin tinggi makin baik)

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.

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.

Skor prediksi memori (1 − Log Loss, makin tinggi makin baik). Log Loss mentah dalam tanda kurung (makin rendah makin baik). Dibandingkan terhadap pengaturan default FSRS-7.
DatasetFSRS-7 (default)Lexa 3.0
Anki0.646 (.3543)0.682 (.3184)
Duolingo0.577 (.4231)0.672 (.3280)
maimemo0.488 (.5121)0.538 (.4621)
04

Cara kami mengevaluasi

Dievaluasi pada tiga dataset dunia nyata.

01Anki
~727M pengulangan / 10.000 penggunaKartu hafalan standar
02maimemo
~226M pengulangan / kosakataAplikasi kosakata bahasa Mandarin
03Duolingo
~13M pengulangan / berbasis sesiDataset HLR

Metrik: per-user weighted Log Loss (makin rendah makin baik).

05

Apa artinya ini bagi pengguna LangDict

Akurasi bukan sekadar angka benchmark — ia membentuk cara Anda belajar secara langsung.

  1. 01

    Lebih sedikit pengulangan yang dijadwalkan

    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.

  2. 02

    Tanpa setelan, bekerja sejak hari pertama

    Tidak ada parameter untuk disetel dan tidak perlu menunggu pembelajaran per pengguna. Cukup buka aplikasinya dan belajar — ia menjadwalkan sesuai Anda sejak awal.

  3. 03

    Di perangkat & privat

    Personalisasi berjalan sepenuhnya di perangkat Anda. Privasi dan akurasi sekaligus.

  4. 04

    Terus membaik

    Kami terus bereksperimen di pipeline benchmark kami sendiri dan terus memperbaiki model yang kami kirimkan.

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.

← Kembali ke LangDict