**快速解答：**30 年来，SM-2 一使是间隔重复算法的金科玉律。直到 FSRS 横空出世，改变了一切。本文将为你揭秘这两者的区别对你的日常学习究竟意味着什么。本指南将为你提供实际背景、权衡利弊以及后续步骤，帮你决定如何在自己的学习系统中应用它。
核心要点：
- SM-2 的工作原理
- FSRS 有何不同
- 数据说话：FSRS 到底好多少？
FSRS 对比 SM-2：为什么闪卡 App 背后的算法比你想的更重要
当你给一张闪卡评分时，后台会发生一件大多数人从未想过的事：算法会决定你下一次看到这张卡片的时间。可能是明天，也可能是 47 天后。如果时机抓得准，你就能以最少的精力记住这些信息；若是时机不对，你不仅会浪费时间复习已经掌握的内容，还可能彻底忘掉最需要记住的知识。
在间隔重复技术的现代发展史中，SM-2 在绝大多数时间里都占据着统治地位。它由 Piotr Wozniak 于 1987 年为 SuperMemo 开发，后来成为了 Anki 以及许多其他闪卡 App 的默认调度器。虽然 Anki 在 2023 年加入了原生 FSRS 支持，但在你手动去牌组选项中启用 FSRS 之前，许多卡片库依然在使用 SM-2。在当时，它绝对是一项了不起的突破。
随后在 2022 年，一位名叫 Jarrett Ye 的研究员发布了 FSRS（自由间隔重复调度器，Free Spaced Repetition Scheduler），整个领域从此迎来了天翻地覆的变化。
SM-2 的工作原理
SM-2 的核心逻辑非常简单优雅。在你复习完一张卡片并对自己的记忆进行评分后，算法会调整两个数值：
- 简易度因子 (Ease Factor) —— 决定每张卡片复习间隔增长幅度的倍数
- 间隔 (Interval) —— 下一次复习前的天数
默认的简易度因子从 2.5 开始。如果你一直将一张卡片评为“良好（Good）”，复习间隔就会呈指数级增长：1 天 → 6 天 → 15 天 → 37 天 → 93 天，以此类推。但如果你多次将其评为“困难（Hard）”，简易度因子就会降低（这就是 Anki 社区俗称的“简易度炼狱 / ease hell”），导致间隔永远无法拉长，让你陷入每隔几天就要复习同一张卡片的无尽循环中。
这种僵硬性是 SM-2 的根本局限。它的间隔是“计算”出来的，而不是“预测”出来的。该算法并没有模拟人类记忆真实遗忘曲线的模型。它不知道你什么时候会忘掉某件事，只是生搬硬套公式，然后期待最好的结果。
FSRS 有何不同
FSRS 将间隔重复视为一个预测问题。
FSRS 并不去问“下一次的间隔应该是多少？”，而是问：“这张卡片的正确回忆概率何时会降到我的目标保留率（例如 90%）？”而这个临界点，正是安排下一次复习的最佳时机——既不能太早（浪费精力），也不能太晚（已经遗忘）。
为了做出这种预测，FSRS 为每张卡片构建了三个变量的模型：
1. 难度 (Difficulty, D)
一个 1 到 10 之间的分值，代表了该知识点对你而言本质上的难易程度。一张你本身就拥有背景知识的卡片，难度可能只有 2；而一个使用陌生文字的外语单词，难度可能会高达 8.5。
2. 稳定性 (Stability, S)
以天为单位，稳定性表示在回忆率从 100% 降到 90% 之前，卡片可以放置多长时间。刚学的新卡片，稳定性可能只有 1-2 天；而复习得很好的卡片，稳定性可能达到 300 天以上，这意味着你每年只需要复习一次就能维持 90% 的记忆。
3. 可提取性 (Retrievability, R)
就在当下这一精确时刻，你能正确回忆起这张卡片的即时概率。如果 R = 0.9，说明你有 90% 的把握答对；如果 R = 0.3，你可能已经把它忘光了。
当你对卡片进行评分时，FSRS 会结合这三个变量以及一组可训练的权重（根据你所用 App 搭载的 FSRS 版本不同，权重数量在 17 到 21 个不等）来计算新的间隔。这些参数并非凭空捏造，而是基于成千上万真实学习者的实际复习日志拟合而来，并结合极大似然估计和随机梯度下降等技术进行了精细优化。
数据说话：FSRS 到底好多少？
事实胜于雄辩：
同样的保留率下，复习量减少 20–30%。 在相同卡片组上对比 FSRS 与 SM-2 的独立基准测试一致表明，FSRS 用户在达到相同记忆保留率的前提下，复习次数减少了大约四分之一。对于每天要复习 200 张卡片的重度学习者来说，这意味着每天能省下 50 次复习。
个性化参数。 FSRS 内置了一个优化器，可以分析你自己的复习历史，并调整其 21 个参数以完美契合你专属的记忆曲线。默认参数已经足够优秀（基于数百万次复习数据得出），但在你积累了大约 1000 次复习并启用个性化优化器后，算法会对你的特定学习模式进行更精准的预测。
告别“简易度炼狱”。 因为 FSRS 不使用固定的简易度因子，所以不存在难点卡片被永久困在极短复习间隔中的恶性循环。难度会根据你的实际回忆表现进行动态且持续的重新计算。
清晰透明的优化目标。 你可以设置自己期望的目标保留率（默认值为 90%），FSRS 将会预估出相应保留率下的每日工作量。有些学习者发现，将保留率从 90% 降到 75–80% 能够大幅减轻复习负担，同时仍能对核心重要内容保持极佳的长期记忆。
真实场景：一天的学习体验对比
想象一下，你正在备考一个半年后的专业证书考试，手里有一套包含 800 张卡片的牌组。
使用 SM-2 时： 你每天的复习量波动极大且难以预测。有时可能只需复习 50 张，有时却要复习 200 张。一开始觉得简单的卡片总是以和难卡相似的频率反复出现；而那些让你头疼的卡片则被死死卡在超短的间隔里。到了第三个月，你平均每天要花 90 分钟复习，而其中大部分都是无用功。
使用 FSRS 时： 你的每日复习任务更加平缓和可预测。你已经掌握的卡片会被推迟到数月或一年后复习，彻底腾空你的每日待复习列表。难点卡片则会获得更频繁、时间点更精准的复习。你每天的复习时间会稳定在 45 分钟左右，而最终的记忆效果却完全一样。
这两者的区别不仅仅在于省下的时间，更在于学习的可持续性。因 SM-2 产生“复习疲劳”的学生往往最终会放弃他们的牌组，而基于 FSRS 的复习计划经过精确校准，能够保证每日工作量始终处于你工作记忆的合理承载范围内。
什么时候 FSRS 最能发挥威力
并非所有学习者都需要对调度算法斤斤计较。但在以下情况下，算法的作用将举足轻重：
- 你的牌组需要维护数月或数年，而不是短短几天
- 你正在备考医学、语言、司法考试或专业证书
- 你最大的瓶颈不是缺乏动力，而是每天那堆积如山的复习任务
- 你希望能快速生成新卡片，同时又不至于造成日后无法消化的复习队列
正因如此，选择什么算法往往决定了你会选择什么产品。如果你想对比几款市面上的应用，可以看看2026年最佳闪卡 App。如果你正在纠结是否要停用 Anki，可以看看 Neurako 的 Anki 替代方案页面。
学术界对 FSRS 的研究
FSRS 已经引起了学术界的广泛关注。该算法的开发者 Jarrett Ye 在还是本科生时，就在第 28 届 ACM SIGKDD 知识发现与数据挖掘会议（机器学习研究领域竞争最激烈的顶级会议之一）上发表了相关论文。
2025 年的一篇研究论文（LECTOR）对 FSRS 进行了独立测试，在 100 天内模拟了 100 位学习者，将其与 6 种竞品调度算法进行了横向对比。FSRS 取得了 89.6% 的学习成功率 —— 在所有受试算法中排名第二，仅次于 LECTOR（但 LECTOR 每次复习都需要调用大语言模型进行推理，计算成本高昂得多）。对于一个实用、可在本地运行的算法来说，FSRS 难逢敌手。
FSRS 已在 Python、Go、Rust、TypeScript、Swift、Dart 以及十几种其他编程语言中得以实现，并被广泛应用于 Anki（自 2023 年 23.10 版本起原生支持）、RemNote 以及越来越多不断增加的教育应用中——当然，也包括 Neurako。
截至 2026 年 8 月，实际的分水岭已不再是“这款 App 是否支持 FSRS？”，而是“FSRS 是否默认开启”。Anki 仍需要手动在牌组选项中切换，许多历史悠久的卡片库依然在使用 SM-2。而 Neurako 将 ts-fsrs 作为唯一的调度器，因此无需任何启用步骤，也无需管理冗余的旧版模式。
为什么 Neurako 选择使用 FSRS
在 Neurako 构建间隔重复引擎时，我们曾问过自己一个问题：什么能带给学习者最高的时间投资回报率？
答案毫无争议。FSRS 将深厚的认知科学基础、机器学习个性化以及真实的运行数据完美结合，使其成为了唯一合理且明智的选择。
你在 Neurako 中完成的每一次复习，都会反哺 FSRS 针对你记忆建立的模型。你给出的每一个评分——“重来（Again）”、“困难（Hard）”、“良好（Good）”或“简单（Easy）”——不仅仅是在排定下一次的复习。它实际上是在训练一个关于你的大脑如何保留信息的专属个性化模型。随着时间的推移，你的复习历史越丰富，该算法对你个人的预测就会越发精准。
我们还直接为你呈现记忆保留率的分析数据：你可以在 Neurako 面板中查看当前的保留率、已掌握的卡片总数以及每日复习趋势。我们的目标绝不是让你学得更多，而是帮助你在学得更少的同时，记得更牢。
实用的行动指南
FSRS 对比 SM-2 不仅仅是 Reddit 论坛上的技术争论。它真正决定了随着你牌组的壮大，你的学习系统体验会变得更加轻松，还是更加沉重。
如果你在手动制作卡片，更优质的调度依然很重要；如果你正在使用 AI 闪卡生成器 将照片、文字或语音一键转化为新卡片，那这就更加至关重要了。因为只有复习系统能保持可持续性，快速生成卡片才有实际意义。
你真的需要在意算法吗？
如果是轻度使用闪卡——比如在旅行前临时记几十个单词——什么算法其实无关紧要。但对于严肃、长期的学习项目——比如医学院备考、语言学习、专业证书考试、司法考试等——算法就是一切。
SM-2 和 FSRS 之间的差距，若放大到长达一年的每日学习中，可能会相差数百个小时。这些宝贵时间原本可以用来加深理解、做练习题、睡觉，或者享受生活。
当算法运行良好时，你甚至感知不到它的存在。你只会惊喜地发现，自己竟然能毫不费力地记住那些以为已经忘掉的内容。
这就是 FSRS 在默默发光发热。而这，也正是为什么它能成为 Neurako 核心引擎的原因。
参考资料
- 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 帮助中心. (2024). The FSRS Spaced Repetition Algorithm.
- PyPI. (2026). fsrs package — py-fsrs v6.3.1.