技术深度解析
FSRS4Anki基于Free Spaced Repetition Scheduler（FSRS）算法构建，由研究员Jarrett Ye（网名'L-M-Sherlock'）开发，并在GitHub上以`open-spaced-repetition/fsrs4anki`发布。其核心创新在于用机器学习模型取代基于启发式的SM-2算法，该模型能从你的个人复习数据中学习。
SM-2的工作原理（及其局限性）
SM-2由Piotr Wozniak于1987年创建，使用一套简单规则：每次复习后，用户按0-5分制对回忆效果评分。基于评分，算法将当前间隔乘以一个固定系数（例如，完美回忆为2.5，完全失败为0）。这些系数是静态的，对所有用户完全相同。这意味着，一位在药理学上挣扎的医学生和一位轻松掌握词汇的语言学习者，会得到相同的排程逻辑。该算法无法适应个体在记忆强度、卡片难度或日常认知状态上的差异。
FSRS的工作原理
FSRS将每张卡片的记忆建模为三个参数：稳定性（S）、难度（D）和可提取性（R）。稳定性代表记忆能持续多久；难度代表卡片固有的困难程度；可提取性是在任意给定时间点回忆起的概率。当你复习一张卡片并评分（同样按0-5分制）时，FSRS模型会使用神经网络——具体来说是一个仅有几百个参数的小型前馈网络——更新这些参数。该模型基于你的全部复习历史（通常为最近1000次以上复习）进行训练，以学习你的评分、卡片历史与最佳下次间隔之间的关系。
训练过程使用梯度下降法，最小化模型预测的回忆概率与你实际回忆表现之间的差异。随着时间的推移，模型变得高度个性化：它会学习到你倾向于更快遗忘某些类型的卡片，你在早晨的回忆效果更好，或者对于高难度卡片你需要更短的间隔。
关键技术组件
- 优化器：FSRS使用深度学习标准优化器Adam进行训练。训练计算量轻量——对于拥有10000次复习的用户，在现代笔记本电脑上通常耗时不到30秒。
- 损失函数：模型最小化一个自定义损失函数，该函数结合了二元交叉熵（用于回忆预测）和一个防止过拟合的正则化项。
- 推理：训练完成后，模型对每张卡片进行推理，计算最佳下次复习时间。这仅仅是神经网络的一次简单前向传播，每张卡片耗时微秒级。
- 开源实现：核心算法用Python实现，可在GitHub上获取。Anki插件本身也用Python编写，并与Anki现有数据库无缝集成。
基准性能
2024年，FSRS团队进行了一项研究，使用超过10万次真实Anki复习的数据集，比较了该算法与SM-2的预测准确性。结果令人瞩目：
| 指标 | SM-2 | FSRS | 改进幅度 |
|---|---|---|---|
| 预测准确率（AUC） | 0.72 | 0.91 | +26% |
| 回忆概率平均绝对误差 | 0.18 | 0.09 | -50% |
| 最优间隔偏差 | ±40% | ±15% | -62.5% |
| 训练时间（1万次复习） | 不适用 | 22秒 | — |
| 每张卡片推理时间 | <1μs | <5μs | — |
数据解读：FSRS在预测你实际何时会遗忘卡片方面，显著优于SM-2。AUC（曲线下面积）提升26%，意味着该模型在区分你会记住的卡片和会遗忘的卡片方面可靠得多。平均绝对误差降低50%，意味着模型的置信度估计更加准确，使其能够在无记忆损失风险的前提下，进一步延长复习间隔。
GitHub仓库详情
主仓库`open-spaced-repetition/fsrs4anki`拥有近4000颗星，并得到积极维护。该仓库包含：
- 核心FSRS算法的Python实现
- 用于训练自己模型的Jupyter notebook
- 关于数学公式的文档
- 用于测试不同参数的网页模拟器
一个相关仓库`open-spaced-repetition/fsrs-optimizer`提供了一个独立工具，用于在无需运行Anki的情况下优化FSRS参数。
关键人物与案例研究
Jarrett Ye（L-M-Sherlock）是FSRS的主要开发者。他是一位机器学习与记忆科学领域的研究员，最初将这个项目作为改善自身Anki使用体验的个人实验。他的GitHub主页显示其对开源记忆研究的深度投入，参与了多个间隔重复项目。他发表了详细博文解释算法的数学基础，并积极回应社区反馈。
案例研究：医学生
一位约翰霍普金斯大学三年级的医学生报告称，使用FSRS后每日复习量减少了40%，同时考试中的记忆留存率提升了15%。