本页面为机器翻译，可能存在表述不准确之处。以英文版为准。 查看英文版

Lexa

Mibuki 自主研发的间隔重复（SRS）模型。在三个公开基准上，它大幅超过行业标准 FSRS-7 的默认设置——在进行任何按用户优化之前，就已经具备很强的个性化精度。

← 返回 LangDict

发布：2026 年 6 月 21 日 · 最后更新：2026 年 7 月 28 日 · 基准运行：2026 年 6 月 · 对象版本：Lexa 3.0

跨卡片 In-Context 这一思路

记忆的习性在不同卡片之间是共通的——所以你的「其他卡片」才是最好的线索。

间隔重复调度器的核心，是预测你对一张卡片的记忆保持率，并据此决定何时复习。行业标准 FSRS 的个性化方式是按用户拟合参数（per-user fitting）——很强大，但需要针对每一位用户调参。

Lexa 走的是相反的路线。遗忘得多快、如何评分、复习节奏如何，这些记忆特性在你的各张卡片之间是共通的。Lexa 读取的不只是待预测的那张卡片，还把同一用户「其他卡片」的复习历史作为上下文（in-context）读入，于是一个共用模型就能在不做任何按用户调参的情况下给出贴合这个人的预测。

换句话说 — 它不是去学习「其他用户的倾向」，而是直接从你自己剩下的卡片里读出你是怎么遗忘的。这就是 Lexa 的新意所在。

工作原理

它读取你其他卡片的历史，估计每张卡片的记忆保持程度，并据此决定下一次复习的日期。

你其他卡片的复习历史（按时间顺序）bananaΔ1d · GoodcatΔ2d · AgainbananaΔ5d · Easyapple ?待预测的卡片Lexa Transformer单一全局模型 · 约 19,000 个参数估计记忆强度每张卡片有多不容易被忘记下次复习时间在你即将遗忘之前出现

精度

在三个公开基准上，Lexa 全部超过开箱即用（默认设置）的 FSRS-7——而且是在进行任何按用户优化之前。

Loading chart...

记忆预测分数（1 − Log Loss，越高越好）

FSRS 是一个更新很快的项目。此处刊载的是上述时点的比较结果，更新版的 FSRS 可能给出不同的分数。比较对象是 FSRS-7 的默认设置，下方的基线数值是从 LangDict 仓库中保存的运行结果（research/srs-benchmark/result）重新计算得到的，两者一致。

记忆预测分数（1 − Log Loss，越高越好）。括号内是原始 Log Loss（越低越好）。比较对象是 FSRS-7 的默认设置。
数据集FSRS-7 (default)Lexa 3.0
Anki0.646 (.3543)0.682 (.3184)
Duolingo0.577 (.4231)0.672 (.3280)
maimemo0.488 (.5121)0.538 (.4621)

Lexa 不需要按用户调参或训练，没有按用户拟合的阶段也一样准确。在开箱即用的状态下——在两个模型都还没有针对你做过拟合之前——它已经在全部三个数据集上超过了 FSRS-7 的默认设置。差距并不均匀：Duolingo 上 +0.095，maimemo 上 +0.050，Anki 上 +0.036。

评测方法

在三个真实世界的数据集上评测。

Anki

~727M 条复习记录 / 10,000 名用户

标准单词卡

maimemo

~226M 条复习记录 / 词汇学习

中文词汇学习应用

Duolingo

~13M 条复习记录 / 会话式

HLR 数据集

指标：per-user weighted Log Loss（越低越好）。

这对 LangDict 用户意味着什么

精度不只是基准上的一个数字——它直接影响你的学习体验。

减少被安排的复习数量

Lexa 会精确定位你即将遗忘的那一刻。太早复习会枯燥，太晚则要重新学一遍。Lexa 收窄了这个窗口。应用内的报告会显示最近 7 天被安排的复习数量减少了多少。这个数字来自把同一份学习历史用 SM-2 重放一遍再作比较——它是对复习调度负担的估计值，而不是对学习成果的测量。

零设置，第一天就生效

没有要调的参数，也不用等待按用户的学习过程。打开应用直接学——它从一开始就按你来安排复习。

端上完成，保护隐私

个性化的推理全部在你的设备上运行。隐私与精度兼得。

持续改进

我们在自建的基准流水线上不断实验，持续改进交付给用户的模型。

References

  • 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.