หน้านี้แปลด้วยเครื่องและอาจมีข้อความที่ไม่ถูกต้อง ฉบับภาษาอังกฤษถือเป็นฉบับหลัก ดูฉบับภาษาอังกฤษ
แบบจำลองการทบทวนแบบเว้นระยะ (SRS) ที่ Mibuki พัฒนาขึ้นเอง บนเกณฑ์มาตรฐานสาธารณะสามชุด มันเอาชนะค่าตั้งต้นเริ่มต้นของ FSRS-7 ซึ่งเป็นมาตรฐานอุตสาหกรรม ด้วยระยะห่างที่กว้าง — ให้ความแม่นยำเฉพาะบุคคลที่สูงตั้งแต่ก่อนมีการปรับให้เหมาะกับผู้ใช้รายคนใด ๆ
← กลับไปที่ LangDictเผยแพร่ 21 มิถุนายน 2026 · อัปเดตล่าสุด 28 กรกฎาคม 2026 · รันเกณฑ์มาตรฐาน มิถุนายน 2026 · เวอร์ชันแบบจำลอง Lexa 3.0
นิสัยความจำของคุณใช้ร่วมกันข้ามบัตร — “บัตรใบอื่น” ของคุณจึงเป็นเบาะแสที่ดีที่สุด
หัวใจของตัวจัดตารางทบทวนแบบเว้นระยะคือการทำนายว่าคุณจะจำบัตรใบหนึ่งได้ดีแค่ไหน ซึ่งเป็นตัวตัดสินว่าจะให้ทบทวนเมื่อไร FSRS ซึ่งเป็นมาตรฐานอุตสาหกรรม ทำให้เป็นเฉพาะบุคคลด้วยการปรับพารามิเตอร์รายผู้ใช้ (per-user fitting) — ทรงพลัง แต่ต้องปรับจูนให้ผู้ใช้ทีละคน
Lexa เดินไปในทางตรงกันข้าม ลักษณะอย่างเช่นคุณลืมเร็วแค่ไหน คุณให้คะแนนอย่างไร และจังหวะการทบทวนของคุณ ล้วนใช้ร่วมกันข้ามบัตรของคุณ Lexa อ่านไม่เพียงแค่บัตรใบที่จะทำนาย แต่อ่านประวัติการทบทวนของบัตรใบอื่น ๆ ของคุณเข้ามาเป็นบริบท (in-context) แบบจำลองร่วมตัวเดียวจึงปรับให้เข้ากับคุณได้โดยไม่ต้องปรับจูนรายผู้ใช้เลย
พูดอีกอย่างคือ — แทนที่จะเรียนรู้ “แนวโน้มของผู้ใช้คนอื่น” มันอ่านวิธีการลืมของคุณออกมาจากบัตรใบอื่น ๆ ของคุณเองโดยตรง นั่นคือสิ่งใหม่ของ Lexa
มันอ่านประวัติของบัตรใบอื่น ๆ ของคุณ ประเมินว่าแต่ละบัตรถูกจำไว้ได้ดีแค่ไหน แล้วกำหนดวันทบทวนครั้งถัดไป
Lexa เอาชนะ FSRS-7 แบบแกะกล่อง (ค่าเริ่มต้น) ในทั้งสามเกณฑ์มาตรฐานสาธารณะ — ตั้งแต่ก่อนมีการปรับให้เหมาะกับผู้ใช้รายคนใด ๆ
คะแนนการทำนายความจำ (1 − Log Loss, ยิ่งสูงยิ่งดี)
FSRS เป็นโปรเจกต์ที่เคลื่อนไหวเร็ว สิ่งที่เผยแพร่ที่นี่คือการเปรียบเทียบ ณ วันที่ข้างต้น FSRS รุ่นใหม่กว่าอาจให้คะแนนต่างออกไป เกณฑ์เปรียบเทียบคือค่าตั้งต้นเริ่มต้นของ FSRS-7 และตัวเลขเกณฑ์เปรียบเทียบด้านล่างถูกคำนวณใหม่จากผลการรันที่เก็บไว้ในรีโพซิทอรีของ LangDict (research/srs-benchmark/result) แล้วพบว่าตรงกัน
| ชุดข้อมูล | 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 ไม่ต้องปรับจูนหรือฝึกรายผู้ใช้ และแม่นยำโดยไม่ต้องมีขั้นตอนการปรับให้เข้ากับผู้ใช้รายคน ในสภาพแกะกล่อง — ก่อนที่แบบจำลองทั้งสองจะถูกปรับให้เข้ากับคุณ — มันก็เอาชนะค่าตั้งต้นเริ่มต้นของ FSRS-7 ได้แล้วในทั้งสามชุดข้อมูล ระยะห่างไม่เท่ากันทุกชุด: +0.095 บน Duolingo, +0.050 บน maimemo, +0.036 บน Anki
ประเมินบนชุดข้อมูลจากโลกจริงสามชุด
~727M การทบทวน / ผู้ใช้ 10,000 คน
บัตรคำมาตรฐาน
~226M การทบทวน / การเรียนคำศัพท์
แอปเรียนคำศัพท์ภาษาจีน
~13M การทบทวน / แบบเป็นเซสชัน
ชุดข้อมูล HLR
ตัวชี้วัด: per-user weighted Log Loss (ยิ่งต่ำยิ่งดี)
ความแม่นยำไม่ได้เป็นแค่ตัวเลขบนเกณฑ์มาตรฐาน — มันส่งผลต่อประสบการณ์การเรียนของคุณโดยตรง
Lexa ระบุจังหวะที่คุณกำลังจะลืมได้แม่นยำขึ้น ทบทวนเร็วเกินไปก็น่าเบื่อ ช้าเกินไปก็ต้องเรียนใหม่ Lexa บีบหน้าต่างนั้นให้แคบลง ในแอป รายงานจะแสดงว่ามันลดจำนวนการทบทวนที่ถูกจัดตารางในช่วง 7 วันล่าสุดลงได้เท่าไร ตัวเลขนั้นมาจากการนำประวัติการเรียนชุดเดียวกันไปเล่นซ้ำผ่าน SM-2 แล้วเปรียบเทียบ — มันเป็นค่าประมาณของภาระการจัดตารางทบทวน ไม่ใช่การวัดผลลัพธ์การเรียนรู้
ไม่มีพารามิเตอร์ให้ปรับ และไม่ต้องรอกระบวนการเรียนรู้รายผู้ใช้ แค่เปิดแอปแล้วเรียน — มันจัดตารางให้เข้ากับคุณตั้งแต่ต้น
การประมวลผลเพื่อทำให้เป็นเฉพาะบุคคลทั้งหมดทำงานบนอุปกรณ์ของคุณ ได้ทั้งความเป็นส่วนตัวและความแม่นยำ
เราทดลองบนระบบเกณฑ์มาตรฐานของเราเองอยู่เรื่อย ๆ และปรับปรุงแบบจำลองที่ส่งถึงผู้ใช้อย่างต่อเนื่อง
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.