FSRS：一种现代、高效的间隔重复算法

原文 ↗ Hacker News 讨论 ↗

一种名为 FSRS 的新间隔重复算法正在吸引 Anki 和语言学习爱好者的关注；他们表示，与经典基于 SM‑2 的调度相比，所需复习次数可减少 20–30%。评论者指出，尽管 FSRS 及类似模型可以适应牌组内容和个人表现，但最大的收益往往来自闪卡设计本身——更偏向简单、原子化、上下文丰富的卡片，而不是密集或抽象的卡片。许多人认为 SRS 只是高效学习的一部分，只有与沉浸式输入、更好的卡片制作工具以及多样、真实世界中的练习结合起来，才能发挥最佳效果，而不仅仅依靠机械记忆。

FSRS 相较经典算法的感知优势

  • 引用的基准测试声称，在保持目标记忆保持率的同时，所需复习次数比经典 Anki/SM‑2 少 20–30%。
  • 用户反馈称，它减少了使用 SM‑2 时所需的大量手动调参，尤其适用于不同牌组有不同最佳保持率的情况。
  • 据说 FSRS 能更好地处理延迟复习：它基于实际回忆情况更新稳定性，而不是因为迟到而惩罚。

实现、生态与集成

  • 目前已有多个开源库（JS、Go、Rust、Python、Clojure、Swift、Elixir），均采用 MIT 许可证，便于将 FSRS 嵌入自定义应用。
  • FSRS 已集成到 Anki 中（带有重新训练/重新计算功能），并且在 iOS 版 Anki 中已稳定可用，也出现在 AnkiDroid alpha 构建中。
  • 一些开发者正在考虑把自己的 SRS 工具从 SM‑2 切换到 FSRS。

使用体验与基准测试的质疑

  • 重度用户表示体验更好，也更少出现“ease hell”，但据称这些收益主要在数千次复习之后才明显。
  • 讨论中分享了与 SM‑17 的对比基准；部分参与者质疑统计显著性，并呼吁更严格的分析和同行评审证据。
  • 也有人希望将 FSRS 与 SuperMemo 更新的 SM‑18 进行比较，但现有工具/API 使这很难实现。

卡片设计和学习策略比算法更重要

  • 许多人认为，最大的收益来自更好的卡片设计，而不是算法上的边际改进。
  • 强调的重点包括：让卡片更简单、更原子化，积极删除或暂停糟糕卡片，使用完形填空删除（包括部分单词完形填空），以及尽量减少重复。
  • 还提到了 SuperMemo 的“20 条规则”和其他关于如何编写好提示的指南。
  • 普遍共识是，过于庞大的牌组和复杂卡片往往会导致人们彻底放弃 SRS。

语言学习场景与工具

  • 大量讨论句子/完形填空卡、上下文丰富的卡片，以及“随手评分”的通过方式，以保持学习势头。
  • 提到了一些工具和初创项目：自动句子挖掘、YouTube 到 Anki 的流水线、电子书/字幕导入器，以及将类似 FSRS 的调度与持续投放新卡结合起来、而不是严格依赖到期日期的系统。
  • 对 Duolingo 与 SRS 的看法不一：有人认为卡片更有效，另一些人则认为它们承担不同角色，应该结合使用。

非语言应用与替代模型

  • 用途包括吉他练习提示、音乐理论、数学证明、地理、歌词、编程概念以及冷知识（配合复杂的记忆图像系统）。
  • 有人希望算法不再依赖硬性的到期日期，而改用基于概率的抽样；也有人认为，如果调度没有与遗忘曲线对齐，效果就会下降。
  • 讨论中还提到模块化架构，将卡片、历史记录和“just-in-time”调度器分离，被视为一个理想方向。