本頁面由 AI 翻譯，可能存在表述不準確之處。以英文版為準。 查看英文版

Research / Lexa 3.0

Lexa

Mibuki 自主研發的間隔重複（SRS）模型。在三個公開基準測試上，它大幅超過業界標準 FSRS-7 的預設設定——在進行任何個別最佳化之前，就已經具備很強的個人化準確度。

← 返回 LangDict

發布：2026 年 6 月 21 日 · 最後更新：2026 年 7 月 28 日 · 基準測試執行：2026 年 6 月 · 對象版本：Lexa 3.0

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

跨卡片 In-Context 這一思路

記憶的習性在不同卡片之間是共通的——所以你的「其他卡片」才是最好的線索。

間隔重複排程器的核心，是預測你對一張卡片還記得多少，並據此決定何時複習。業界標準 FSRS 的個人化方式是為每位使用者擬合參數（per-user fitting）——很強大，但需要針對每一位使用者調參。

Lexa 走的是相反的路線。遺忘得多快、如何評分、複習節奏如何，這些記憶特性在你的各張卡片之間是共通的。Lexa 讀取的不只是待預測的那張卡片，還把同一使用者「其他卡片」的複習歷程作為上下文（in-context）讀入，於是一個共用模型就能在不做任何個別調參的情況下給出貼合這個人的預測。

換句話說 — 它不是去學習「其他使用者的傾向」，而是直接從你自己剩下的卡片裡讀出你是怎麼遺忘的。這就是 Lexa 的新意所在。

02

運作原理

它讀取你其他卡片的歷程，估計每張卡片的記憶保留程度，並據此決定下一次複習的日期。

  1. 01

    你其他卡片的複習歷程（依時間順序）

    banana · cat · apple ?

  2. 02

    Lexa Transformer

    單一全域模型 · 約 19,000 個參數

  3. 03

    估計記憶強度

    每張卡片有多不容易被忘記

  4. 04

    下次複習時間

    在你即將遺忘之前出現

03

準確度

在三個公開基準測試上，Lexa 全部超過開箱即用（預設設定）的 FSRS-7——而且是在進行任何個別最佳化之前。

Anki

0.646
0.682

Duolingo

0.577
0.672

maimemo

0.488
0.538
記憶預測分數（1 − Log Loss，越高越好）

Lexa 不需要個別調參或訓練，沒有個別擬合的階段也一樣準確。在開箱即用的狀態下——在兩個模型都還沒有針對你做過擬合之前——它已經在全部三個資料集上超過了 FSRS-7 的預設設定。差距並不均勻：Duolingo 上 +0.095，maimemo 上 +0.050，Anki 上 +0.036。

FSRS 是一個更新很快的專案。此處刊載的是上述時點的比較結果，更新版的 FSRS 可能給出不同的分數。比較對象是 FSRS-7 的預設設定，下方的基準數值是從 LangDict 儲存庫中保存的執行結果（research/srs-benchmark/result）重新計算得到的，兩者一致。

記憶預測分數（1 − Log Loss，越高越好）。括號內是原始 Log Loss（越低越好）。比較對象是 FSRS-7 的預設設定。
資料集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

評估方法

在三個真實世界的資料集上評估。

01Anki
~727M 筆複習紀錄 / 10,000 名使用者標準單字卡
02maimemo
~226M 筆複習紀錄 / 詞彙學習中文詞彙學習 App
03Duolingo
~13M 筆複習紀錄 / 以學習階段（session）為單位HLR 資料集

指標：per-user weighted Log Loss（越低越好）。

05

這對 LangDict 使用者意味著什麼

準確度不只是基準測試上的一個數字——它直接影響你的學習體驗。

  1. 01

    減少被安排的複習數量

    Lexa 會精確定位你即將遺忘的那一刻。太早複習會枯燥，太晚則要重新學一遍。Lexa 收窄了這個窗口。App 內的報告會顯示最近 7 天被安排的複習數量減少了多少。這個數字來自把同一份學習歷程用 SM-2 重跑一遍再作比較——它是對複習排程負擔的估計值，而不是對學習成效的測量。

  2. 02

    零設定，第一天就生效

    沒有要調的參數，也不用等待個別的學習過程。打開 App 直接學——它從一開始就按你來安排複習。

  3. 03

    裝置端完成，保護隱私

    個人化的推論全部在你的裝置上執行。隱私與準確度兼得。

  4. 04

    持續改進

    我們在自建的基準測試流程上不斷實驗，持續改進交付給使用者的模型。

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.

← 返回 LangDict