Resposta rápida: Durante 30 anos, o SM-2 foi o padrão-ouro da repetição espaçada. Então o FSRS surgiu e mudou tudo. Veja o que essa diferença realmente significa para as suas sessões diárias de estudos. Este guia traz o contexto prático, os prós e contras e os próximos passos para você decidir como aplicar isso no seu próprio sistema de estudos.
Principais conclusões:
- Como o SM-2 funciona
- Como o FSRS funciona de forma diferente
- Os números: o quanto o FSRS é melhor?
FSRS vs SM-2: Por que o algoritmo por trás do seu app de flashcards importa mais do que você imagina
Quando você avalia um flashcard, algo acontece nos bastidores que a maioria das pessoas nem imagina: um algoritmo decide quando você verá esse cartão novamente. Pode ser amanhã. Pode ser daqui a 47 dias. Acerte esse momento, e você se lembrará da informação com o mínimo de esforço. Erre, e você vai perder tempo revisando cartões que já sabe — ou esquecer os que mais precisava.
Durante a maior parte da história moderna da repetição espaçada, esse algoritmo foi o SM-2. Criado por Piotr Wozniak em 1987 para o SuperMemo, o SM-2 se tornou o agendador padrão no Anki e em muitos outros apps de flashcards. O Anki adicionou o FSRS nativo em 2023, embora muitas coleções ainda rodem o SM-2 até que você ative o FSRS nas opções do deck. Foi um verdadeiro avanço.
Então, em 2022, um pesquisador chamado Jarrett Ye publicou o FSRS — o Free Spaced Repetition Scheduler — e a área nunca mais foi a mesma.
Como o SM-2 funciona
A lógica central do SM-2 é elegante em sua simplicidade. Depois que você revisa um cartão e avalia sua memorização, o algoritmo ajusta dois valores:
- Fator de Facilidade (Ease Factor) — um multiplicador por cartão que determina o quão agressivamente o intervalo cresce
- Intervalo — o número de dias antes da próxima revisão
O fator de facilidade padrão começa em 2,5. Se você avaliar consistentemente um cartão como "Bom", o intervalo cresce exponencialmente: 1 dia → 6 dias → 15 dias → 37 dias → 93 dias, e assim por diante. Se você avaliá-lo como "Difícil" várias vezes, o fator de facilidade diminui — o famoso "ease hell" (inferno do ease), no jargão da comunidade do Anki — e os intervalos nunca aumentam, prendendo você em um ciclo sem fim de revisar o mesmo cartão a cada poucos dias.
Essa rigidez é a limitação fundamental do SM-2. Os intervalos são calculados, não previstos. O algoritmo não tem um modelo de como a memória humana realmente decai. Ele não sabe quando você está prestes a esquecer algo — apenas aplica uma fórmula e torce pelo melhor.
Como o FSRS funciona de forma diferente
O FSRS aborda a repetição espaçada como um problema de previsão.
Em de vez de perguntar "Qual deve ser o próximo intervalo?", o FSRS pergunta: "Quando a probabilidade de lembrar corretamente deste cartão cairá para a minha meta de retenção (por exemplo, 90%)?". Esse é o momento exato de agendar a próxima revisão — nem antes (esforço desperdiçado), nem depois (esquecimento).
Para fazer essa previsão, o FSRS modela três variáveis para cada cartão:
1. Dificuldade (D)
Uma pontuação de 1 a 10 que representa o quão intrinsecamente difícil essa informação é para você. Um cartão sobre um conceito que você já conhecia previamente pode ter uma dificuldade de 2. Uma palavra de vocabulário estrangeiro em um alfabeto desconhecido pode ser 8,5.
2. Estabilidade (S)
Medida em dias, a estabilidade representa quanto tempo um cartão pode ficar sem ser visto antes que a retenção caia de 100% para 90%. Um cartão recém-aprendido pode ter uma estabilidade de 1 a 2 dias. Um cartão bem revisado pode ter uma estabilidade de mais de 300 dias, o que significa que você só precisa de revisões anuais para manter 90% de retenção.
3. Recuperabilidade (R)
A probabilidade atual — agora, neste exato momento — de você conseguir lembrar corretamente deste cartão. Se R = 0,9, você tem 90% de chance de acertar. Se R = 0,3, é provável que você já o tenha esquecido.
Quando você avalia um cartão, o FSRS usa essas três variáveis mais um conjunto de pesos treináveis (de 17 a 21, dependendo da versão do FSRS que seu app utiliza) para calcular um novo intervalo. Esses parâmetros não são arbitrários — eles foram ajustados com base em dezenas de milhares de históricos reais de revisões de estudantes de verdade, e depois refinados por meio de técnicas como estimativa de máxima verossimilhança e descida de gradiente estocástica.
Os números: o quanto o FSRS é melhor?
As evidências são robustas:
20 a 30% menos revisões para a mesma retenção. Testes comparativos independentes entre o FSRS e o SM-2 em decks de cartões idênticos mostram de forma consistente que os usuários do FSRS alcançam a mesma retenção de conhecimento com cerca de um quarto a menos de sessões de revisão. Para um estudante dedicado que faz 200 revisões por dia, isso significa 50 revisões a menos — todos os dias.
Parâmetros personalizados. O FSRS inclui um otimizador que analisa o seu próprio histórico de revisões e ajusta seus 21 parâmetros para se adaptarem às suas curvas de memória pessoais. Os parâmetros padrão já são excelentes (derivados de milhões de revisões), mas um otimizador personalizado — disponível após cerca de 1.000 revisões — torna o algoritmo ainda mais preciso para seus padrões específicos de aprendizado.
Sem o "ease hell". Como o FSRS não usa um fator de facilidade fixo, não há aquela espiral descendente onde cartões difíceis ficam permanentemente presos em intervalos curtos. A dificuldade é recalculada continuamente com base no seu desempenho real de memorização.
Meta de otimização transparente. Você pode definir a taxa de retenção desejada (padrão: 90%) e o FSRS informará sua carga de trabalho diária projetada para qualquer configuração de retenção. Alguns estudantes percebem que reduzir a retenção de 90% para 75-80% diminui drasticamente a carga de revisões, mantendo uma excelente memorização a longo prazo do conteúdo que mais importa.
Impacto no mundo real: um dia na rotina
Imagine que você esteja estudando para uma prova de certificação profissional daqui a seis meses, com um deck de 800 cartões.
Com o SM-2: O seu número diário de revisões oscila de forma imprevisível. Em alguns dias você revisa 50 cartões, em outros 200. Cartões que você achou fáceis no início continuam voltando com a mesma frequência dos difíceis. Os cartões em que você teve dificuldade ficam presos em intervalos curtos. No terceiro mês, você estará gastando uma média de 90 minutos por dia revisando — muito disso de forma redundante.
Com o FSRS: Sua fila diária é mais suave e previsível. Os cartões que você já domina são jogados para intervalos mensais ou anuais, limpando completamente sua fila diária. Cartões difíceis recebem revisões mais frequentes e agendadas com precisão. Seu tempo diário de revisão se estabiliza em cerca de 45 minutos — com o mesmo resultado de retenção.
A diferença não é apenas o tempo. É a sustentabilidade. Estudantes que sofrem com a "fadiga de revisão" causada pelo SM-2 costumam abandonar seus decks. Os cronogramas de revisão baseados no FSRS são calibrados para respeitar a capacidade diária da sua memória de trabalho.
Quando o FSRS é mais importante
Nem todo estudante precisa bitolar com o agendamento. Mas o algoritmo faz muita diferença quando:
- seu deck vai durar meses ou anos, não dias
- você está estudando para medicina, idiomas, preparação para a OAB ou certificações
- seu maior problema não é a motivação, mas sim a sobrecarga diária de revisões
- você quer gerar novos cartões rapidamente sem criar uma fila impossível de manter
É por isso que a escolha do algoritmo muitas vezes dita a escolha do produto. Se você quiser comparar aplicativos reais, confira os melhores apps de flashcards em 2026. Se você está decidindo especificamente se deve deixar o Anki, consulte a página de alternativa ao Anki do Neurako.
O FSRS na pesquisa acadêmica
O FSRS tem atraído forte atenção acadêmica. O desenvolvedor do algoritmo, Jarrett Ye, publicou um artigo na 28ª ACM SIGKDD Conference on Knowledge Discovery and Data Mining — um dos eventos mais competitivos na pesquisa de machine learning — quando ainda era estudante de graduação.
Um artigo de pesquisa de 2025 (LECTOR) comparou o FSRS de forma independente com outros seis algoritmos de agendamento concorrentes, avaliando 100 estudantes simulados ao longo de 100 dias. O FSRS alcançou uma taxa de sucesso de aprendizado de 89,6% — a segunda maior entre todos os algoritmos testados, atrás apenas do LECTOR (que exige inferência de LLM para cada revisão, tornando-o muito mais pesado computacionalmente). Para um algoritmo prático e de execução local, o FSRS não teve concorrentes à altura.
O FSRS já foi implementado em Python, Go, Rust, TypeScript, Swift, Dart e em dezenas de outras linguagens de programação, e hoje é usado no Anki (nativo desde a versão 23.10 em 2023), no RemNote e em uma lista crescente de aplicativos educacionais — incluindo o Neurako.
Em agosto de 2026, o grande divisor de águas na prática não é mais "este app tem o FSRS?", mas sim se o FSRS vem ativado por padrão. O Anki ainda exige que você o ative nas opções do deck; muitas coleções antigas ainda rodam no SM-2. O Neurako usa o ts-fsrs como o único agendador, de modo que não há etapas de ativação nem modos antigos para gerenciar.
Por que o Neurako usa o FSRS
Quando construímos o motor de repetição espaçada do Neurako, tínhamos uma pergunta em mente: o que oferece aos estudantes o melhor retorno sobre o tempo investido?
A resposta foi categórica. A combinação de embasamento em ciência cognitiva, personalização por machine learning e dados de desempenho do mundo real fez do FSRS a única escolha sensata.
Cada revisão que você conclui no Neurako alimenta o modelo de memória do FSRS. Cada avaliação que você faz — "Errei", "Difícil", "Bom" ou "Fácil" — não serve apenas para agendar a próxima revisão. Ela treina um modelo pessoal de como o seu cérebro retém informações. Com o tempo, conforme seu histórico de revisões cresce, o algoritmo se torna cada vez mais preciso para você especificamente.
Nós também mostramos suas métricas de retenção diretamente: você pode ver sua taxa de retenção atual, total de cartões dominados e tendências de revisão diária no painel do Neurako. O objetivo não é fazer você estudar mais — é ajudar você a estudar menos, lembrando de mais coisas.
Conclusão prática
FSRS vs. SM-2 não é apenas um debate técnico para fóruns do Reddit. Isso determina se seu sistema de estudos vai parecer mais leve ou mais pesado à medida que seu deck cresce.
Se você cria cartões manualmente, um agendamento melhor ainda importa. Se você usa um gerador de flashcards por IA para criar novos cartões a partir de fotos, textos e áudios, isso importa ainda mais. Uma geração rápida só ajuda se o sistema de revisão continuar sustentável.
Você deve se importar com o algoritmo?
Para o uso casual de flashcards — como aprender algumas dezenas de palavras antes de uma viagem —, o algoritmo quase não faz diferença. Mas para projetos sérios de aprendizado a longo prazo — faculdade de medicina, aquisição de idiomas, certificações profissionais, preparação para a OAB —, o algoritmo é tudo.
A diferença entre o SM-2 e o FSRS, projetada ao longo de um ano de estudos diários, representa potencialmente centenas de horas. Horas que você poderia gastar se aprofundando nos conteúdos, resolvendo exercícios, dormindo ou curtindo a vida.
O algoritmo fica invisível quando está funcionando bem. Você simplesmente se pega lembrando de coisas que achava que tinha esquecido, com menos esforço do que esperava.
Esse é o FSRS em ação. E é por isso que ele é o motor no coração do Neurako.
Referências
- 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.