Esta página é uma tradução automática e pode conter imprecisões. A versão em inglês é a de referência. Ver a versão em inglês
O modelo de repetição espaçada (SRS) desenvolvido pela própria Mibuki. Em três benchmarks públicos, ele supera por larga margem as configurações padrão do FSRS-7, o padrão da indústria — entregando alta precisão personalizada antes de qualquer otimização por usuário.
← Voltar ao LangDictPublicado em 21 de junho de 2026 · Última atualização em 28 de julho de 2026 · Benchmark executado em junho de 2026 · Versão do modelo: Lexa 3.0
Os seus hábitos de memória são compartilhados entre os cartões — por isso os seus outros cartões são a melhor pista.
O coração de um agendador de repetição espaçada é prever o quanto você vai lembrar de um cartão, o que decide quando revisá-lo. O padrão da indústria, o FSRS, personaliza ajustando parâmetros por usuário (per-user fitting) — poderoso, mas exige uma calibração para cada usuário.
O Lexa segue o caminho oposto. Traços como a velocidade com que você esquece, como você avalia e o seu ritmo de revisão são compartilhados entre os seus cartões. O Lexa lê não apenas o cartão alvo, mas o histórico de revisão dos seus outros cartões como entrada in-context, de modo que um único modelo compartilhado personaliza sem nenhum ajuste por usuário.
Em outras palavras — em vez de aprender “as tendências de outros usuários”, ele lê como você esquece diretamente do restante dos seus próprios cartões. É isso que há de novo no Lexa.
Ele lê o histórico dos seus outros cartões, estima o quanto cada cartão está retido e define a próxima data de revisão.
O Lexa supera o FSRS-7 de fábrica (configurações padrão) nos três benchmarks públicos — antes de qualquer otimização por usuário.
Pontuação de previsão de memória (1 − Log Loss, quanto maior, melhor)
O FSRS avança rápido. O que está publicado aqui é a comparação nas datas acima; uma versão mais nova do FSRS pode pontuar de forma diferente. A linha de base é a configuração padrão do FSRS-7, e os valores de base abaixo foram recalculados a partir da execução armazenada no repositório do LangDict (research/srs-benchmark/result) e conferem.
| Conjunto de dados | 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) |
O Lexa não precisa de ajuste nem de treino por usuário e é preciso sem uma fase de calibração individual. De fábrica — antes de qualquer um dos dois modelos ser ajustado a você — ele já supera as configurações padrão do FSRS-7 nos três conjuntos de dados. A margem não é uniforme: +0.095 no Duolingo, +0.050 no maimemo, +0.036 no Anki.
Avaliado em três conjuntos de dados do mundo real.
~727M revisões / 10.000 usuários
Flashcards padrão
~226M revisões / vocabulário
App chinês de vocabulário
~13M revisões / baseado em sessões
Conjunto de dados HLR
Métrica: per-user weighted Log Loss (quanto menor, melhor).
Precisão não é só um número de benchmark — ela molda o seu aprendizado diretamente.
O Lexa mira exatamente o momento em que você está prestes a esquecer. Cedo demais e as revisões ficam entediantes; tarde demais e você tem de reaprender. O Lexa estreita essa janela. No app, o relatório mostra o quanto ele reduziu as revisões agendadas nos últimos 7 dias. Esse número vem de reprocessar o mesmo histórico de estudo pelo SM-2 e comparar — é uma estimativa da carga de agendamento, não uma medição de resultados de aprendizado.
Nenhum parâmetro para ajustar e nenhuma espera por um aprendizado individual. Basta abrir o app e estudar — ele agenda de acordo com você desde o início.
A personalização roda inteiramente no seu aparelho. Privacidade e precisão juntas.
Seguimos experimentando na nossa própria infraestrutura de benchmark e melhorando continuamente o modelo que entregamos.
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.