Schnelle Antwort: 30 Jahre lang war SM-2 der Goldstandard der Spaced Repetition. Dann kam FSRS und veränderte alles. Hier erfährst du, was der Unterschied wirklich für deine täglichen Lerneinheiten bedeutet. Dieser Leitfaden liefert dir den praktischen Kontext, die Vor- und Nachteile sowie die nächsten Schritte, damit du entscheiden kannst, wie du das Ganze in deinem eigenen Lernsystem anwendest.
Das Wichtigste auf einen Blick:
- Wie SM-2 funktioniert
- Warum FSRS anders funktioniert
- Die Zahlen: Wie viel besser ist FSRS?
FSRS vs. SM-2: Warum der Algorithmus hinter deiner Karteikarten-App wichtiger ist, als du denkst
Wenn du eine Karteikarte bewertest, passiert im Hintergrund etwas, worüber die meisten Menschen nie nachdenken: Ein Algorithmus entscheidet, wann du diese Karte das nächste Mal siehst. Das könnte morgen sein. Oder erst in 47 Tagen. Wenn du dieses Timing triffst, wirst du dir die Informationen mit minimalem Aufwand merken. Wenn nicht, verschwendest du entweder Zeit mit der Wiederholung von Karten, die du ohnehin schon kannst – oder du vergisst genau die, die du am dringendsten brauchst.
Über weite Teile der modernen Geschichte der Spaced Repetition war dieser Algorithmus SM-2. SM-2 wurde 1987 von Piotr Wozniak für SuperMemo entwickelt und wurde zum Standard-Scheduler in Anki und vielen anderen Karteikarten-Apps. Anki hat FSRS im Jahr 2023 nativ integriert, obwohl viele Sammlungen immer noch mit SM-2 laufen, bis du FSRS in den Deck-Optionen aktivierst. Es war ein echter Durchbruch.
Im Jahr 2022 veröffentlichte ein Forscher namens Jarrett Ye dann FSRS – den Free Spaced Repetition Scheduler – und die Lernwelt war nicht mehr dieselbe.
Wie SM-2 funktioniert
Die Kernlogik von SM-2 ist elegant in ihrer Einfachheit. Nachdem du eine Karte wiederholt und deinen Lernerfolg bewertet hast, passt der Algorithmus zwei Werte an:
- Ease-Faktor (Leichtigkeitsfaktor) – ein Multiplikator pro Karte, der bestimmt, wie stark das Intervall wächst
- Intervall – die Anzahl der Tage bis zur nächsten Wiederholung
Der Standard-Ease-Faktor beginnt bei 2,5. Wenn du eine Karte durchgehend als „Gut“ bewertest, wächst das Intervall exponentiell: 1 Tag → 6 Tage → 15 Tage → 37 Tage → 93 Tage und so weiter. Wenn du sie mehrmals als „Schwer“ bewertest, sinkt der Ease-Faktor – die berüchtigte „Ease Hell“ (Leichtigkeits-Hölle) in der Anki-Community – und die Intervalle wachsen kaum noch. Du bist in einem endlosen Kreislauf gefangen, in dem du dieselbe Karte alle paar Tage wiederholen musst.
Diese Starrheit ist die grundlegende Schwachstelle von SM-2. Die Intervalle werden berechnet, nicht vorhergesagt. Der Algorithmus hat kein Modell dafür, wie das menschliche Gedächtnis tatsächlich vergisst. Er weiß nicht, wann du kurz davor bist, etwas zu vergessen – er wendet einfach eine Formel an und hofft das Beste.
Warum FSRS anders funktioniert
FSRS betrachtet Spaced Repetition als ein Vorhersageproblem.
Anstatt zu fragen „Wie lang sollte das nächste Intervall sein?“, fragt FSRS: „Wann sinkt die Wahrscheinlichkeit, sich korrekt an diese Karte zu erinnern, auf meine gewünschte Erfolgsquote (z. B. 90 %)?“ Das ist der perfekte Moment, um die nächste Wiederholung zu planen – nicht früher (verschwendete Mühe), nicht später (vergessen).
Um diese Vorhersage zu treffen, modelliert FSRS drei Variablen für jede Karte:
1. Schwierigkeit (D)
Ein Wert von 1 bis 10, der angibt, wie schwer diese Information von Natur aus für dich ist. Eine Karte über ein Thema, bei dem du bereits Vorwissen hast, könnte eine Schwierigkeit von 2 haben. Eine fremde Vokabel in einer ungewohnten Schrift dagegen 8,5.
2. Stabilität (S)
Gemessen in Tagen gibt die Stabilität an, wie lange eine Karte unberührt bleiben kann, bevor die Wahrscheinlichkeit der Erinnerung von 100 % auf 90 % sinkt. Eine frisch gelernte Karte hat vielleicht eine Stabilität von 1–2 Tagen. Eine gut gelernte Karte hat eventuell eine Stabilität von über 300 Tagen – was bedeutet, dass du sie nur einmal im Jahr wiederholen musst, um eine Erinnerungsquote von 90 % zu halten.
3. Abrufbarkeit (R)
Die aktuelle Wahrscheinlichkeit – genau in diesem Moment –, mit der du dich korrekt an diese Karte erinnern kannst. Wenn R = 0,9 ist, hast du eine 90-prozentige Chance, sie richtig zu beantworten. Wenn R = 0,3 ist, hast du sie wahrscheinlich schon vergessen.
Wenn du eine Karte bewertest, nutzt FSRS diese drei Variablen sowie eine Reihe von trainierbaren Gewichtungen (17–21, je nachdem, welche FSRS-Version deine App nutzt), um ein neues Intervall zu berechnen. Diese Parameter sind nicht willkürlich – sie wurden anhand von Zehntausenden echten Lernprotokollen realer Nutzer ermittelt und anschließend durch Techniken wie Maximum-Likelihood-Schätzung und stochastischen Gradientenabstieg verfeinert.
Die Zahlen: Wie viel besser ist FSRS?
Die Beweise sind eindeutig:
20–30 % weniger Wiederholungen bei gleicher Erinnerungsquote. Unabhängige Benchmarks, die FSRS mit SM-2 auf identischen Kartendecks vergleichen, zeigen durchweg, dass FSRS-Nutzer die gleiche Wissensfestigung mit rund einem Viertel weniger Lerneinheiten erreichen. Für einen ambitionierten Lernenden, der 200 Wiederholungen pro Tag macht, bedeutet das 50 gesparte Karten – und zwar jeden Tag.
Personalisierte Parameter. FSRS enthält einen Optimierer, der deine eigene Lernhistorie analysiert und seine 21 Parameter an deine persönlichen Gedächtniskurven anpasst. Die Standardparameter sind bereits hervorragend (abgeleitet aus Millionen von Wiederholungen), aber ein personalisierter Optimierer – verfügbar nach etwa 1.000 Wiederholungen – macht den Algorithmus für deine spezifischen Lernmuster noch präziser.
Keine „Ease Hell“ mehr. Weil FSRS keinen festen Ease-Faktor nutzt, gibt es keine Abwärtsspirale, in der schwierige Karten dauerhaft in kurzen Intervallen gefangen bleiben. Die Schwierigkeit wird kontinuierlich basierend auf deiner tatsächlichen Erinnerungsleistung neu berechnet.
Transparentes Optimierungsziel. Du kannst deine gewünschte Erfolgsquote einstellen (Standard: 90 %) und FSRS zeigt dir deinen voraussichtlichen täglichen Lernaufwand für jede Einstellung an. Einige Lernende stellen fest, dass eine Senkung von 90 % auf 75–80 % den Wiederholungsaufwand drastisch reduziert, während sie das wichtigste Material langfristig immer noch hervorragend behalten.
Praxis-Check: Ein Tag im Leben
Stell dir vor, du lernst für eine professionelle Zertifizierungsprüfung in sechs Monaten und hast ein Deck mit 800 Karten.
Mit SM-2: Deine tägliche Anzahl an Wiederholungen schwankt unvorhersehbar. An manchen Tagen wiederholst du 50 Karten, an anderen 200. Karten, die dir anfangs leicht fielen, kommen in der gleichen Häufigkeit wieder wie schwierige. Karten, mit denen du Probleme hattest, bleiben in kurzen Intervallen gefangen. Bis zum dritten Monat verbringst du durchschnittlich 90 Minuten am Tag mit Wiederholen – vieles davon ist redundant.
Mit FSRS: Deine tägliche Lernliste ist ausgeglichener und berechenbarer. Karten, die du meisterst, wandern in monatliche oder jährliche Intervalle ab und verschwinden komplett aus deinem täglichen Fokus. Schwierige Karten werden in häufigeren, präzise getimten Intervallen wiederholt. Deine tägliche Lernzeit stabilisiert sich bei etwa 45 Minuten – bei gleichem Lernerfolg.
Der Unterschied liegt nicht nur in der Zeit. Es geht um Nachhaltigkeit. Lernende, die durch SM-2 eine „Wiederholungs-Müdigkeit“ entwickeln, geben ihre Decks oft ganz auf. FSRS-gestützte Lernpläne sind so kalibriert, dass sie die tägliche Kapazität deines Arbeitsgedächtnisses nicht überschreiten.
Wann FSRS am wichtigsten ist
Nicht jeder Lernende muss sich obsessiv mit der Terminierung beschäftigen. Aber der Algorithmus ist extrem wichtig, wenn:
- dein Deck über Monate oder Jahre hinweg bestehen soll, nicht nur für ein paar Tage
- du für Medizin, Sprachen, juristische Staatsexamina oder Zertifizierungen lernst
- dein größtes Problem nicht die Motivation, sondern die tägliche Überlastung durch Wiederholungen ist
- du schnell neue Karten erstellen willst, ohne eine unbewältigbare Warteschlange anzuhäufen
Deshalb ist die Wahl des Algorithmus oft auch eine Entscheidung für das richtige Produkt. Wenn du echte Apps vergleichen möchtest, schau dir die besten Karteikarten-Apps im Jahr 2026 an. Wenn du speziell überlegst, ob du von Anki wechseln sollst, besuche die Anki-Alternative-Seite von Neurako.
FSRS in der akademischen Forschung
FSRS hat in der Fachwelt große Aufmerksamkeit erregt. Der Entwickler des Algorithmus, Jarrett Ye, veröffentlichte noch während seines Bachelorstudiums eine Arbeit auf der 28. ACM SIGKDD Conference on Knowledge Discovery and Data Mining – einer der renommiertesten Plattformen für Forschung im Bereich Machine Learning.
Eine Forschungsarbeit aus dem Jahr 2025 (LECTOR) verglich FSRS unabhängig mit sechs konkurrierenden Scheduling-Algorithmen anhand von 100 simulierten Lernenden über 100 Tage hinweg. FSRS erreichte eine Erfolgsquote von 89,6 % – die zweithöchste aller getesteten Algorithmen, nur geschlagen von LECTOR (das jedoch für jede einzelne Wiederholung LLM-Inferenz erfordert und damit rechnerisch extrem aufwendig ist). Für einen praktischen, lokal ausführbaren Algorithmus war FSRS konkurrenzlos.
FSRS wurde bereits in Python, Go, Rust, TypeScript, Swift, Dart und einem Dutzend anderer Programmiersprachen implementiert und wird mittlerweile in Anki (nativ seit Version 23.10 im Jahr 2023), RemNote und einer wachsenden Zahl von Lernanwendungen eingesetzt – einschließlich Neurako.
Ab August 2026 lautet die praktische Frage nicht mehr „Hat diese App FSRS?“, sondern ob FSRS standardmäßig aktiviert ist. Anki erfordert immer noch eine Aktivierung in den Deck-Optionen; viele ältere Sammlungen laufen weiterhin mit SM-2. Neurako nutzt ts-fsrs als einzigen Scheduler, sodass kein Aktivierungsschritt und kein Legacy-Modus verwaltet werden müssen.
Warum Neurako FSRS nutzt
Als wir die Spaced-Repetition-Engine in Neurako entwickelt haben, stellten wir uns eine Frage: Was bringt den Lernenden den größten Nutzen für ihre investierte Zeit?
Die Antwort war eindeutig. Die Kombination aus kognitionswissenschaftlicher Fundierung, Machine-Learning-Personalisierung und realen Leistungsdaten machte FSRS zur einzig sinnvollen Wahl.
Jede Wiederholung, die du in Neurako abschließt, füttert das FSRS-Modell deines Gedächtnisses. Jede Bewertung, die du abgibst – „Nochmal“, „Schwer“, „Gut“ oder „Einfach“ –, plant nicht nur die nächste Wiederholung. Sie trainiert ein persönliches Modell davon, wie dein Gehirn Informationen speichert. Je mehr Wiederholungen du im Laufe der Zeit machst, desto präziser wird der Algorithmus speziell für dich.
Wir zeigen dir deine Auswertungen zur Erinnerungsquote auch direkt an: In deinem Neurako-Dashboard siehst du deine aktuelle Erfolgsquote, die Gesamtzahl der gemeisterten Karten und deine täglichen Wiederholungstrends. Unser Ziel ist es nicht, dass du mehr lernst – sondern dass du weniger lernst und dir dabei mehr merkst.
Das Fazit für die Praxis
FSRS vs. SM-2 ist keine rein technische Debatte für Reddit-Threads. Es entscheidet darüber, ob sich dein Lernsystem mit wachsendem Deck leichter oder schwerer anfühlt.
Wenn du Karten manuell erstellst, ist eine bessere Terminierung bereits wichtig. Wenn du jedoch einen KI-Karteikarten-Generator nutzt, um neue Karten aus Fotos, Texten und Audioaufnahmen zu erstellen, ist sie umso wichtiger. Eine schnelle Erstellung hilft dir nur, wenn das Wiederholungssystem auch auf Dauer bewältigbar bleibt.
Sollte dich der Algorithmus interessieren?
Für das gelegentliche Lernen – etwa ein paar Dutzend Wörter vor einer Reise – spielt der Algorithmus kaum eine Rolle. Aber bei ernsthaften, langfristigen Lernprojekten – wie dem Medizinstudium, dem Sprachenlernen, der Vorbereitung auf das juristische Staatsexamen oder beruflichen Zertifizierungen – ist der Algorithmus alles.
Der Unterschied zwischen SM-2 und FSRS, hochgerechnet auf ein Jahr täglichen Lernens, beträgt potenziell Hunderte von Stunden. Stunden, die du für tieferes Verständnis, Übungsaufgaben, Schlaf oder einfach dein Leben nutzen könntest.
Der Algorithmus ist unsichtbar, wenn er gut funktioniert. Du merkst einfach, dass du dich an Dinge erinnerst, von denen du dachtest, du hättest sie vergessen – und das mit weniger Aufwand als erwartet.
Das ist FSRS in Aktion. Und genau deshalb ist es das Herzstück von Neurako.
Referenzen
- Ye, J. et al. (2022). A Stochastic Shortest Path Algorithm for Optimizing Spaced Repetition Scheduling. Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining.
- Wozniak, P. (1990). Optimization of learning. SuperMemo World.
- IntelliKernelAI. (2025). LECTOR: LLM-Enhanced Concept-based Test-Oriented Repetition for Adaptive Spaced Learning. arXiv:2508.03275.
- Open Spaced Repetition community. (2023). ABC of FSRS. GitHub Wiki: open-spaced-repetition/fsrs4anki.
- Denicola, D. (2025, May). Spaced Repetition Systems Have Gotten Way Better. domenic.me.
- RemNote Help Center. (2024). The FSRS Spaced Repetition Algorithm.
- PyPI. (2026). fsrs package — py-fsrs v6.3.1.