Research / Lexa 3.0
Lexa
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
- 3
- public benchmarks
- +0.095
- Duolingo
- 0
- per-user fitting
In-context cross-card
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.
Come funziona
Legge lo storico delle tue altre carte, stima quanto bene ogni carta è trattenuta e fissa la data del prossimo ripasso.
- 01
Lo storico dei ripassi delle tue altre carte (in ordine cronologico)
banana · cat · apple ?
- 02
Lexa Transformer
Un unico modello globale · ~19K parametri
- 03
Stima della forza del ricordo
quanto è difficile dimenticare ogni carta
- 04
Prossimo ripasso
mostrata appena prima che tu dimentichi
Accuratezza
Lexa batte FSRS-7 pronto all'uso (impostazioni predefinite) su tutti e tre i benchmark pubblici — prima di qualsiasi ottimizzazione per singolo utente.
Anki
Duolingo
maimemo
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.
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) |
Come valutiamo
Valutato su tre dataset del mondo reale.
- 01Anki
- ~727M ripassi / 10.000 utentiFlashcard standard
- 02maimemo
- ~226M ripassi / lessicoApp cinese di vocabolario
- 03Duolingo
- ~13M ripassi / a sessioniDataset HLR
Metrica: per-user weighted Log Loss (più basso è meglio).
Che cosa significa per chi usa LangDict
L'accuratezza non è solo un numero da benchmark — dà forma direttamente al tuo studio.
- 01
Meno ripassi in programma
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.
- 02
Zero configurazione, funziona dal primo giorno
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.
- 03
Sul dispositivo e privata
La personalizzazione gira interamente sul tuo dispositivo. Privacy e accuratezza insieme.
- 04
In continuo miglioramento
Continuiamo a sperimentare sulla nostra pipeline di benchmark e a migliorare senza sosta il modello che distribuiamo.
References
- 01
open-spaced-repetition. FSRS: Free Spaced Repetition Scheduler. GitHub ↗
- 02
open-spaced-repetition. srs-benchmark: Benchmark of Spaced Repetition Algorithms. GitHub ↗
- 03
open-spaced-repetition. anki-revlogs-10k: Anki review logs from 10,000 users. Hugging Face ↗
- 04
Settles, B., & Meeder, B. (2016). A Trainable Spaced Repetition Model for Language Learning. Proceedings of the 54th Annual Meeting of the ACL.
- 05
Ebbinghaus, H. (1885). Über das Gedächtnis: Untersuchungen zur experimentellen Psychologie. Leipzig: Duncker & Humblot.