Questa pagina è una traduzione automatica e può contenere imprecisioni. Fa fede la versione inglese. Vedi la versione inglese
Il modello di ripetizione dilazionata (SRS) sviluppato da Mibuki. Su tre benchmark pubblici batte con ampio margine le impostazioni predefinite dello standard di settore FSRS-7 — con un'accuratezza personalizzata elevata già prima di qualsiasi ottimizzazione per singolo utente.
← Torna a LangDictPubblicato il 21 giugno 2026 · Ultimo aggiornamento 28 luglio 2026 · Benchmark eseguito a giugno 2026 · Versione del modello Lexa 3.0
Le tue abitudini di memoria sono condivise tra le carte — quindi le tue altre carte sono l'indizio migliore.
Il cuore di uno scheduler a ripetizione dilazionata è prevedere quanto bene ricorderai una carta, e da lì decidere quando riproporla. Lo standard di settore, FSRS, personalizza adattando i parametri per ogni utente (per-user fitting) — potente, ma richiede una calibrazione per ciascun utente.
Lexa prende la strada opposta. Tratti come la velocità con cui dimentichi, il modo in cui valuti e il tuo ritmo di ripasso sono condivisi tra le tue carte. Lexa legge non solo la carta bersaglio, ma lo storico dei ripassi delle tue altre carte come input in-context, così un unico modello condiviso si personalizza senza alcuna calibrazione per singolo utente.
In altre parole — invece di imparare «le tendenze degli altri utenti», legge come dimentichi tu direttamente dal resto delle tue carte. È questo che c'è di nuovo in Lexa.
Legge lo storico delle tue altre carte, stima quanto bene ogni carta è trattenuta e fissa la data del prossimo ripasso.
Lexa batte FSRS-7 pronto all'uso (impostazioni predefinite) su tutti e tre i benchmark pubblici — prima di qualsiasi ottimizzazione per singolo utente.
Punteggio di previsione della memoria (1 − Log Loss, più alto è meglio)
FSRS si muove in fretta. Quello che pubblichiamo qui è il confronto alle date indicate sopra; una versione più recente di FSRS potrebbe ottenere punteggi diversi. La baseline è la configurazione predefinita di FSRS-7, e i valori di baseline qui sotto sono stati ricalcolati a partire dall'esecuzione archiviata nel repository di LangDict (research/srs-benchmark/result) e coincidono.
| 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 non richiede alcuna calibrazione o addestramento per singolo utente ed è accurata senza una fase di fitting personale. Appena presa — prima che uno qualsiasi dei due modelli venga adattato a te — batte già le impostazioni predefinite di FSRS-7 su tutti e tre i dataset. Il margine non è uniforme: +0.095 su Duolingo, +0.050 su maimemo, +0.036 su Anki.
Valutato su tre dataset del mondo reale.
~727M ripassi / 10.000 utenti
Flashcard standard
~226M ripassi / lessico
App cinese di vocabolario
~13M ripassi / a sessioni
Dataset HLR
Metrica: per-user weighted Log Loss (più basso è meglio).
L'accuratezza non è solo un numero da benchmark — dà forma direttamente al tuo studio.
Lexa individua con precisione il momento in cui stai per dimenticare. Troppo presto e i ripassi sono noiosi; troppo tardi e devi riimparare. Lexa restringe quella finestra. Nell'app, il report mostra di quanto ha ridotto i ripassi programmati negli ultimi 7 giorni. Quel numero viene dal rieseguire lo stesso storico di studio attraverso SM-2 e confrontare — è una stima del carico di scheduling, non una misurazione dei risultati di apprendimento.
Nessun parametro da regolare e nessuna attesa per l'apprendimento sul singolo utente. Apri l'app e studia — programma su di te fin dall'inizio.
La personalizzazione gira interamente sul tuo dispositivo. Privacy e accuratezza insieme.
Continuiamo a sperimentare sulla nostra pipeline di benchmark e a migliorare senza sosta il modello che distribuiamo.
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.