Research / Lexa 3.0

Lexa

Mibuki が独自開発した間隔反復（SRS）モデル。公開3ベンチマークで業界標準 FSRS-7 のデフォルト設定を大きく上回り、ユーザーごとの個別最適化を行う前から高い個人化精度を発揮します。

← LangDict に戻る

公開: 2026年6月21日 ／ 最終更新: 2026年7月28日 ／ ベンチマーク実行: 2026年6月 ／ 対象バージョン: Lexa 3.0

3
公開ベンチマーク
+0.095
Duolingo
0
ユーザーごとの調整
01

クロスカード In-Context という考え方

記憶の癖は、カードをまたいで共通している。だから「他のカード」が一番のヒントになる。

間隔反復スケジューラの核心は「いつ復習すべきか」を決める記憶保持率の予測です。業界標準の FSRS はこれを、ユーザーごとにパラメータを最適化（per-user fitting）して個人化します。強力ですが、ユーザーごとの調整が必要です。

Lexa は対照的です。忘れやすさ・評価の付け方・復習リズムといった記憶特性はカードをまたいで共通しています。Lexa は予測したいカードだけでなく、同じユーザーの“他のカード”の復習履歴を文脈（in-context）として読み込み、ユーザーごとの調整なしに、1つの共通モデルがその人に合わせた予測を出します。

言い換えると — 「他ユーザーの傾向」を学ぶのではなく、「あなたの他カード」からあなたの忘れ方を即座に読み取る。これが Lexa の新規性です。

02

仕組み

他カードの履歴を読み取り、カードごとの記憶の定着度を推定して次の復習日を決めます。

  1. 01

    あなたの他カードの復習履歴（時系列）

    banana · cat · apple ?

  2. 02

    Lexa Transformer

    単一グローバルモデル・約 1.9 万パラメータ

  3. 03

    記憶の定着度を推定

    カードごとに「どれだけ忘れにくいか」

  4. 04

    次回復習タイミング

    忘れかける直前に出題

03

精度

個別最適化を行う前の標準設定の FSRS-7 を、3つの公開ベンチマークすべてで大きく上回ります。

Anki

0.646
0.682

Duolingo

0.577
0.672

maimemo

0.488
0.538
記憶予測スコア（1 − Log Loss・高いほど良い）

Lexa は個人ごとの調整・学習を必要とせず、個別の学習フェーズなしで高い個人化精度を発揮します。どちらのモデルもまだ個人に最適化されていない“素の状態”でも、Lexa は FSRS-7 のデフォルト設定を3データセットすべてで上回ります。差は一様ではなく、Duolingo で +0.095、maimemo で +0.050、Anki で +0.036 です。

FSRS は更新の速いプロジェクトです。ここに載せているのは上記時点の比較であり、最新版の FSRS とは結果が異なる可能性があります。比較対象は FSRS-7 のデフォルト設定で、掲載しているベースラインの数値は LangDict リポジトリ内の実行結果（research/srs-benchmark/result）から再計算して一致を確認しています。

記憶予測スコア（1 − Log Loss・高いほど良い）。括弧内は生の Log Loss（低いほど良い）。比較対象は FSRS-7 のデフォルト設定。
データセットFSRS-7 (default)Lexa 3.0
Anki0.646 (.3543)0.682 (.3184)
Duolingo0.577 (.4231)0.672 (.3280)
maimemo0.488 (.5121)0.538 (.4621)
04

評価方法

3つの実世界データセットで評価しています。

01Anki
~727M レビュー / 10,000 ユーザー標準的なフラッシュカード
02maimemo
~226M レビュー / 語彙学習中国語語彙アプリ
03Duolingo
~13M レビュー / セッション型HLR データセット

指標: per-user weighted Log Loss（低いほど良い）。

05

これが LangDict ユーザーに何をもたらすか

精度はベンチマークの数字に留まらず、学習体験に直接効きます。

  1. 01

    予定される復習の数を減らす

    「忘れかけた瞬間」をより正確に捉えて復習を出します。早すぎれば退屈、遅すぎれば再学習コスト。Lexa はその窓を狭めます。アプリ内のレポートでは「直近7日間の予定復習数の削減率」を表示しています。これは同じ学習履歴を SM-2 方式で計算した場合との比較による推定値であり、学習成果を測定したものではありません。

  2. 02

    設定ゼロ・初日から効く

    調整するパラメータも、個人別の学習待ち時間もありません。アプリを開いて学ぶだけで、最初からあなたに合わせてスケジュールします。

  3. 03

    端末完結・プライバシー

    個人化の推論はすべて端末上で行われます。プライバシーと精度を両立しています。

  4. 04

    継続的な改善

    自社ベンチマーク基盤で実験を繰り返し、ユーザーに届けるモデルを継続的に改善しています。

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 に戻る