Быстрый ответ: На протяжении 30 лет SM-2 был золотым стандартом интервального повторения. А потом появился FSRS и изменил всё. Вот что эта разница означает для твоих ежедневных занятий. В этом руководстве мы разберем практический контекст, компромиссы и следующие шаги, чтобы ты мог решить, как применить это в своей системе обучения.
Главное:
- Как работает SM-2
- Чем отличается FSRS
- В цифрах: насколько FSRS лучше?
FSRS против SM-2: почему алгоритм в твоем приложении для карточек важнее, чем кажется
Когда ты оцениваешь карточку, на заднем плане происходит то, о чем большинство людей даже не задумываются: алгоритм решает, когда ты увидишь эту карточку снова. Возможно, завтра. Возможно, через 47 дней. Если угадать с моментом, ты запомнишь информацию с минимальными усилиями. Если ошибиться — ты либо будешь тратить время на повторение того, что и так отлично помнишь, либо забудешь то, что было нужнее всего.
На протяжении большей части современной истории интервального повторения этим алгоритмом был SM-2. Созданный Петром Возняком в 1987 году для SuperMemo, SM-2 стал планировщиком по умолчанию в Anki и многих других приложениях для карточек. Anki добавил встроенную поддержку FSRS в 2023 году, хотя многие коллекции все еще работают на SM-2, пока ты не включишь FSRS в настройках колоды. В свое время это был настоящий прорыв.
Затем, в 2022 году, исследователь по имени Джарретт Йе (Jarrett Ye) опубликовал FSRS (Free Spaced Repetition Scheduler), и эта сфера изменилась навсегда.
Как работает SM-2
Базовая логика SM-2 элегантна в своей простоте. После того как ты повторяешь карточку и оцениваешь, насколько хорошо ты её помнишь, алгоритм корректирует два значения:
- Ease Factor (фактор легкости) — индивидуальный для каждой карточки множитель, который определяет, насколько активно растет интервал
- Interval (интервал) — количество дней до следующего повторения
Стартовый фактор легкости по умолчанию равен 2.5. Если ты постоянно оцениваешь карточку как «Хорошо» (Good), интервал растет в геометрической прогрессии: 1 день → 6 дней → 15 дней → 37 дней → 93 дня и так далее. Если же ты несколько раз отметишь ее как «Трудно» (Hard), фактор легкости снизится. В сообществе Anki это называют «адом легкости» (ease hell) — интервалы перестают расти, затягивая тебя в бесконечный цикл повторения одной и той же карточки каждые несколько дней.
Эта жесткость — главное ограничение SM-2. Интервалы здесь вычисляются, а не прогнозируются. У алгоритма нет модели того, как на самом деле угасает человеческая память. Он не знает, в какой момент ты вот-вот забудешь информацию, — он просто применяет формулу и надеется на лучшее.
Чем отличается FSRS
FSRS подходит к интервальному повторению как к задаче прогнозирования.
Вместо вопроса «Каким должен быть следующий интервал?», FSRS спрашивает: «Когда вероятность успешного вспоминания этой карточки упадет до моей целевой доли удержания информации (например, 90%)?» Именно в этот момент и нужно запланировать следующее повторение — не раньше (чтобы не тратить силы впустую) и не позже (чтобы не забыть).
Чтобы составить этот прогноз, FSRS моделирует три переменные для каждой карточки:
1. Сложность (Difficulty — D)
Оценка от 1 до 10, показывающая, насколько сложна эта информация лично для тебя. Карточка с концептом, в котором ты уже немного разбираешься, может иметь сложность 2. Иностранное слово на незнакомой письменности — 8.5.
2. Стабильность (Stability — S)
Измеряется в днях и показывает, на какое время карточку можно оставить в покое, прежде чем вероятность вспомнить ее упадет со 100% до 90%. У только что изученной карточки стабильность может составлять 1–2 дня. У хорошо усвоенной — более 300 дней, то есть для поддержания 90% вспоминания тебе понадобится повторять ее всего раз в год.
3. Извлекаемость (Retrievability — R)
Текущая вероятность — прямо сейчас, в этот самый момент — того, что ты сможешь правильно вспомнить эту карточку. Если R = 0.9, у тебя 90%-й шанс ответить верно. Если R = 0.3, ты, скорее всего, уже всё забыл.
Когда ты оцениваешь карточку, FSRS использует эти три переменные вместе с набором обучаемых весов (от 17 до 21 в зависимости от версии FSRS в твоем приложении), чтобы рассчитать новый интервал. Эти параметры не взяты с потолка — их подобрали на основе анализа десятков тысяч логов реальных пользователей, а затем оптимизировали с помощью таких методов, как оценка максимального правдоподобия и стохастический градиентный спуск.
В цифрах: насколько FSRS лучше?
Доказательства весьма убедительны:
На 20–30% меньше повторений при том же уровне удержания знаний. Независимые тесты, сравнивающие FSRS и SM-2 на одинаковых колодах карточек, стабильно показывают: пользователи FSRS достигают того же уровня запоминания, тратя примерно на четверть меньше сессий повторения. Для серьезного студента, который делает по 200 повторений в день, это экономия в 50 карточек — каждый божий день.
Персонализированные параметры. FSRS содержит оптимизатор, который анализирует твою историю повторений и настраивает свои 21 параметр под твои личные кривые забывания. Параметры по умолчанию уже великолепны (они выведены на основе миллионов повторений), но персональная оптимизация — доступная примерно после 1000 повторений — делает алгоритм еще более точным именно для твоих особенностей обучения.
Никакого «ада легкости». Поскольку FSRS не использует фиксированный фактор легкости, здесь нет нисходящей спирали, из-за которой сложные карточки навсегда застревают на коротких интервалах. Сложность пересчитывается непрерывно на основе того, как успешно ты вспоминаешь материал.
Прозрачная цель оптимизации. Ты можешь задать желаемый уровень удержания знаний (по умолчанию 90%), и FSRS покажет твою прогнозируемую ежедневную нагрузку для любого выбранного значения. Некоторые пользователи замечают, что снижение целевого показателя с 90% до 75–80% кардинально снижает нагрузку по повторениям, сохраняя при этом отличное долгосрочное запоминание самого важного материала.
Реальный эффект: один день из жизни
Представь, что ты готовишься к профессиональной сертификации, которая пройдет через полгода, и у тебя есть колода из 800 карточек.
С SM-2: Твое ежедневное количество карточек непредсказуемо скачет. В один день нужно повторить 50 карточек, в другой — 200. Карточки, которые казались простыми в самом начале, возвращаются с той же частотой, что и сложные. Карточки, вызвавшие трудности, застревают на коротких интервалах. К третьему месяцу ты тратишь в среднем по 90 минут в день на повторение, и большая часть этой работы избыточна.
С FSRS: Твоя ежедневная очередь становится более плавной и предсказуемой. Карточки, которые ты уже хорошо знаешь, уходят на месячные или годовые интервалы, полностью освобождая ежедневную очередь. Сложные карточки появляются чаще и в точно рассчитанное время. Твое ежедневное время на повторение стабилизируется на отметке около 45 минут — при том же результате.
И разница не только во времени — такой темп реально поддерживать долго. Студенты, которые сталкиваются с «усталостью от повторений» из-за SM-2, часто забрасывают свои колоды. График повторений на базе FSRS откалиброван так, чтобы не перегружать твою рабочую память.
Когда FSRS нужнее всего
Не каждому нужно зацикливаться на планировании. Но алгоритм критически важен, если:
- твоя колода будет жить месяцами или годами, а не пару дней
- ты учишься на медицинском, изучаешь языки, готовишься к экзаменам на адвоката (bar prep) или профессиональным сертификациям
- твоя главная проблема — не мотивация, а лавина ежедневных повторений
- ты хочешь быстро создавать новые карточки, не боясь утонуть в очереди повторений, с которой потом не сможешь совладать
Вот почему выбор алгоритма часто перерастает в выбор самого продукта. Если ты хочешь сравнить реальные приложения, загляни в наш обзор лучших приложений для карточек в 2026 году. А если ты раздумываешь, стоит ли уходить с Anki, посмотри страницу Neurako как альтернатива Anki.
FSRS в научных исследованиях
FSRS привлек серьезное внимание академического сообщества. Разработчик алгоритма, Джарретт Йе, опубликовал свою научную работу на 28-й конференции ACM SIGKDD по исследованию данных и интеллектуальному анализу (одной из самых престижных площадок в области машинного обучения), будучи еще студентом бакалавриата.
В исследовании 2025 года (LECTOR) разработчики провели независимое сравнение FSRS с шестью конкурирующими алгоритмами планирования на примере 100 симулированных учеников в течение 100 дней. FSRS показал уровень успешности обучения в 89,6% — второй результат среди всех протестированных алгоритмов, уступив лишь самому LECTOR (которому для каждого повторения требуется запуск LLM, что делает его вычислительно несоизмеримо более дорогим). Среди практичных алгоритмов, способных работать локально, у FSRS просто не было равных.
FSRS реализован на Python, Go, Rust, TypeScript, Swift, Dart и десятке других языков программирования. Сегодня он используется в Anki (встроен по умолчанию начиная с версии 23.10 в 2023 году), RemNote и в постоянно растущем списке образовательных приложений, включая Neurako.
По состоянию на август 2026 года вопрос уже не в том, «есть ли в приложении FSRS?», а в том, включен ли он по умолчанию. В Anki до сих пор нужно переключать настройки колоды; многие старые коллекции всё еще работают на SM-2. Neurako использует ts-fsrs как единственный планировщик, поэтому у нас нет этапа ручного включения и не нужно возиться с устаревшими режимами.
Почему Neurako использует FSRS
Когда мы создавали движок интервального повторения в Neurako, перед нами стоял один вопрос: что принесет пользователям максимальную отдачу от потраченного времени?
Ответ был очевиден. Сочетание научных когнитивных основ, персонализации через машинное обучение и реальных данных об эффективности сделало FSRS единственным разумным выбором.
Каждое повторение в Neurako подпитывает модель твоей памяти во FSRS. Каждая оценка, которую ты ставишь — «Снова» (Again), «Трудно» (Hard), «Хорошо» (Good) или «Легко» (Easy) — не просто планирует следующее повторение. Она обучает персональную модель того, как именно твой мозг удерживает информацию. Со временем, по мере накопления истории повторений, алгоритм становится всё более точным именно для тебя.
Мы также открыто показываем твою аналитику запоминания: прямо в дашборде Neurako ты можешь видеть текущий уровень удержания знаний, общее количество освоенных карточек и тренды ежедневных повторений. Наша цель — не заставить тебя учиться дольше, а помочь тебе тратить меньше времени на учебу, помня при этом больше.
Главный практический вывод
Противостояние FSRS и SM-2 — это не просто технические споры в тредах на Reddit. От этого зависит, будет ли твоя система обучения казаться легче или тяжелее по мере роста твоей колоды.
Если ты создаешь карточки вручную, качественное планирование всё равно важно. Но если ты используешь генератор карточек ИИ, чтобы создавать их по фото, тексту и аудио, это важно вдвойне. Быстрое создание карточек полезно только тогда, когда система повторений остается посильной.
Стоит ли тебе беспокоиться об алгоритме?
Для простых задач — например, выучить пару десятков слов перед поездкой — алгоритм почти не имеет значения. Но для серьезной долгосрочной учебы — в медицинском вузе, при освоении языков, подготовке к профессиональным сертификациям или экзаменам на адвоката — алгоритм решает всё.
Разница между SM-2 и FSRS в масштабе года ежедневных занятий — это потенциально сотни сэкономленных часов. Часов, которые ты мог бы потратить на более глубокое понимание темы, практические задачи, сон или просто жизнь.
Когда алгоритм работает хорошо, он незаметен. Ты просто ловишь себя на том, что помнишь вещи, которые, как тебе казалось, уже стерлись из памяти, и тратишь на это гораздо меньше усилий, чем ожидал.
Это и есть работа FSRS. И именно поэтому он стал сердцем Neurako.
Источники
- 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.