Trang này được dịch bằng AI và có thể chứa những điểm chưa chính xác. Bản tiếng Anh là bản chuẩn. Xem bản tiếng Anh

Research / Lexa 3.0

Lexa

Mô hình lặp lại ngắt quãng (SRS) do Mibuki tự phát triển. Trên ba benchmark công khai, nó vượt thiết lập mặc định của FSRS-7 — chuẩn công nghiệp hiện nay — với khoảng cách lớn, đạt độ chính xác cá nhân hóa cao ngay từ trước khi có bất kỳ tối ưu hóa riêng cho từng người dùng nào.

← Quay lại LangDict

Công bố ngày 21 tháng 6 năm 2026 · Cập nhật lần cuối ngày 28 tháng 7 năm 2026 · Benchmark chạy tháng 6 năm 2026 · Phiên bản mô hình Lexa 3.0

3
public benchmarks
+0.095
Duolingo
0
per-user fitting
01

In-context liên thẻ

Thói quen ghi nhớ của bạn dùng chung giữa các thẻ — nên chính những thẻ khác của bạn là gợi ý tốt nhất.

Trái tim của một bộ lập lịch lặp lại ngắt quãng là dự đoán bạn sẽ nhớ lại một thẻ tốt đến đâu, và điều đó quyết định khi nào ôn lại nó. Chuẩn công nghiệp FSRS cá nhân hóa bằng cách khớp tham số cho từng người dùng (per-user fitting) — mạnh mẽ, nhưng cần tinh chỉnh cho mỗi người dùng.

Lexa đi theo hướng ngược lại. Những đặc điểm như bạn quên nhanh đến đâu, bạn chấm điểm thế nào và nhịp ôn tập của bạn đều dùng chung giữa các thẻ của bạn. Lexa đọc không chỉ thẻ cần dự đoán mà cả lịch sử ôn tập của những thẻ khác của bạn như dữ liệu in-context, nhờ đó một mô hình dùng chung duy nhất cá nhân hóa được mà không cần tinh chỉnh riêng cho từng người dùng.

Nói cách khác — thay vì học “xu hướng của những người dùng khác”, nó đọc thẳng cách bạn quên từ chính những thẻ còn lại của bạn. Đó là điểm mới của Lexa.

02

Cách nó hoạt động

Nó đọc lịch sử của những thẻ khác của bạn, ước lượng mức ghi nhớ của từng thẻ, rồi ấn định ngày ôn tập tiếp theo.

  1. 01

    Lịch sử ôn tập của các thẻ khác của bạn (theo thời gian)

    banana · cat · apple ?

  2. 02

    Lexa Transformer

    Một mô hình toàn cục duy nhất · ~19K tham số

  3. 03

    Ước lượng độ bền trí nhớ

    mỗi thẻ khó quên đến mức nào

  4. 04

    Thời điểm ôn tập tiếp theo

    xuất hiện ngay trước khi bạn sắp quên

03

Độ chính xác

Lexa vượt FSRS-7 ở trạng thái nguyên bản (thiết lập mặc định) trên cả ba benchmark công khai — trước bất kỳ tối ưu hóa riêng cho từng người dùng nào.

Anki

0.646
0.682

Duolingo

0.577
0.672

maimemo

0.488
0.538
Điểm dự đoán trí nhớ (1 − Log Loss, càng cao càng tốt)

Lexa không cần tinh chỉnh hay huấn luyện riêng cho từng người dùng và vẫn chính xác dù không có giai đoạn khớp tham số theo người dùng. Ở trạng thái nguyên bản — trước khi bất kỳ mô hình nào trong hai mô hình được khớp với bạn — nó đã vượt thiết lập mặc định của FSRS-7 trên cả ba bộ dữ liệu. Khoảng cách không đồng đều: +0.095 ở Duolingo, +0.050 ở maimemo, +0.036 ở Anki.

FSRS là một dự án cập nhật rất nhanh. Những gì công bố ở đây là so sánh tại các mốc thời gian nêu trên; một phiên bản FSRS mới hơn có thể cho điểm khác. Mốc so sánh là cấu hình mặc định của FSRS-7, và các số liệu nền bên dưới đã được tính lại từ kết quả chạy được lưu trong kho mã LangDict (research/srs-benchmark/result) và cho kết quả khớp nhau.

Điểm dự đoán trí nhớ (1 − Log Loss, càng cao càng tốt). Trong ngoặc là Log Loss gốc (càng thấp càng tốt). So sánh với thiết lập mặc định của FSRS-7.
Bộ dữ liệuFSRS-7 (default)Lexa 3.0
Anki0.646 (.3543)0.682 (.3184)
Duolingo0.577 (.4231)0.672 (.3280)
maimemo0.488 (.5121)0.538 (.4621)
04

Cách chúng tôi đánh giá

Được đánh giá trên ba bộ dữ liệu thực tế.

01Anki
~727M lượt ôn tập / 10.000 người dùngThẻ ghi nhớ tiêu chuẩn
02maimemo
~226M lượt ôn tập / học từ vựngỨng dụng học từ vựng tiếng Trung
03Duolingo
~13M lượt ôn tập / theo phiên họcBộ dữ liệu HLR

Chỉ số: per-user weighted Log Loss (càng thấp càng tốt).

05

Điều này mang lại gì cho người dùng LangDict

Độ chính xác không chỉ là một con số trên benchmark — nó định hình trực tiếp việc học của bạn.

  1. 01

    Ít bài ôn được xếp lịch hơn

    Lexa xác định chính xác khoảnh khắc bạn sắp quên. Ôn quá sớm thì nhàm chán; quá muộn thì phải học lại từ đầu. Lexa thu hẹp cửa sổ đó. Trong ứng dụng, báo cáo hiển thị mức giảm số bài ôn được xếp lịch trong 7 ngày gần nhất. Con số đó đến từ việc phát lại đúng lịch sử học đó qua SM-2 rồi so sánh — nó là ước lượng về tải lượng xếp lịch ôn tập, không phải phép đo thành quả học tập.

  2. 02

    Không cần cài đặt, có tác dụng ngay từ ngày đầu

    Không có tham số nào phải chỉnh và không phải chờ quá trình học riêng cho từng người dùng. Chỉ cần mở ứng dụng và học — nó xếp lịch theo bạn ngay từ đầu.

  3. 03

    Chạy trên thiết bị & riêng tư

    Toàn bộ quá trình cá nhân hóa chạy trên thiết bị của bạn. Vừa riêng tư vừa chính xác.

  4. 04

    Liên tục cải tiến

    Chúng tôi liên tục thử nghiệm trên hệ thống benchmark của riêng mình và không ngừng cải tiến mô hình được đưa tới người dùng.

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.

← Quay lại LangDict