背单词最让人泄气的事,莫过于今天记住了,睡一觉全忘光。于是很多人选择反复抄、反复背,靠堆时间在对抗遗忘。这条路又累又低效,因为大部分复习都花在了"其实还记得"或"早就忘了"的卡片上,真正卡在遗忘边缘的那一下,反而没赶巧。

有没有办法让每次复习都刚好落在"快要想不起来"的那一刻?这个问题催生了一整类算法,统称间隔重复系统(SRS,Spaced Repetition System)。它要回答的核心是同一句话:一个知识点学过之后,隔多久再复习,才能用最少的次数换到尽可能高的长期记忆率。

这篇不讲某款软件的按钮在哪,而是把四种代表性的 SRS 算法拆开,讲清楚它们各自"怎么想、怎么做、适合谁"。看完你会明白,从纸盒子到遗忘曲线,这条演进路线到底在一步步解决什么问题。

先想明白:为什么"什么时候复习"值得单独研究

把记忆想象成一个会漏水的桶。新学的东西,水漏得最快;时间越久,漏得越慢,最后趋于稳定。德国心理学家艾宾浩斯在 1885 年就测出了这条规律:遗忘在学习之后立刻开始,而且先快后慢。这就是所有 SRS 算法共同的起点。

既然记忆会衰减,复习就是在往桶里重新加水。问题在于加到什么时机最划算:

  • 复习太早,桶里的水还满着,这一勺基本白加,浪费时间。
  • 复习太晚,水快漏干了,等于重新学一遍,之前的时间也浪费了。
  • 最划算的时机,是水刚好快见底、但还没干的时候,补一勺,记忆强度还能往上抬一截。

SRS 想做的事,就是替你盯住每一张卡片的水位,在水快见底时提醒你复习。四种算法的差别,全在"怎么判断水位快见底了"这一点上。

下面这张图把这件事画了出来:每次复习都把记忆强度拉回顶点,之后再次衰减,下一次复习又要赶在下坡途中。

记忆强度
100% |  /\        /\        /\
     | /  \      /  \      /  \
     |/    \    /    \    /    \
 60% |      \  /      \  /      \
     |       \/        \/        \
     +--------+---------+---------+----> 时间
              ^         ^         ^
             复习       复习       复习

四种算法其实是四次升级,先看一眼全景,心里有张地图:

算法判断"快忘了"的依据大致年代一句话定位
Leitner卡片在第几个盒子最早、最朴素入门方案
SM-2每张卡片自己的难度因子1987经典,好实现
FSRS建模后的记忆衰减曲线现代主流长期产品首选
HLR机器学习预测的半衰期2016大数据平台玩法

第一代:Leitner 盒子法,用几个抽屉管所有卡片

最朴素的办法,是按"熟练程度"把卡片分进几个盒子,每个盒子对应一个固定的复习周期。这套方法由德国人 Sebastian Leitner 在 1972 年提出,思路简单到用纸盒就能做。

假设有五个盒子,周期依次是 1 天、2 天、4 天、7 天、15 天。规则只有三条:

  • 答对:卡片升级,挪到下一个盒子,复习间隔变长。
  • 答错:卡片降级,直接退回第一个盒子,明天再来。
  • 到期:到了某盒子规定的日子,就把这个盒子的卡片全取出来复习。

举个例子。单词 apple 第一次学完放进盒子 1,第二天答对,升到盒子 2,隔两天再考;这次又答对,升到盒子 3,隔四天;第三次答错了,对不起,打回盒子 1,从头排队。

这套办法的好处是几乎不用动脑,也不需要任何数学模型,儿童识字卡、简单背单词工具都能直接上手。但它的粗糙也很明显:同一个盒子里的卡片被当成"记忆水平完全相同",可实际上 apple 和 accommodation 的难度天差地别;它也不看每个人记得快还是慢,周期对所有人一刀切。

所以盒子法适合当 SRS 的入门理解模型和原型验证,真要做长期产品,很快就会撞上它的天花板。

第二代:SM-2,给每张卡片装一个"难度旋钮"

盒子法的毛病是"把卡片归堆"。能不能别归堆,让每张卡片都有自己的节奏?1987 年,SuperMemo 的 Piotr Wozniak 给出的 SM-2 算法做到了这一点,它也是早期 Anki 采用的调度算法。

SM-2 的核心改动只有一句:不再把卡片塞进固定盒子,而是为每张卡片单独保存三个数。

字段含义
repetitions连续答对次数
interval当前复习间隔,单位是天
EF难度因子(Ease Factor)

这三个数里,EF 是关键。你可以把它理解成每张卡片自带的一个"难度旋钮":初始值是 2.5,这个卡片越难记,旋钮就被拧得越低,复习间隔增长得越慢;越好记,旋钮越高,间隔拉得越长。

每次复习,你给这次回忆打个 0 到 5 分:

评分含义
0完全没想起来
1基本不记得
2很吃力
3有点难,但想起来了
4稍微犹豫,答对了
5毫不费力

低于 3 分算失败,连续答对次数清零。间隔怎么算?规则很干脆:

  • 第一次答对,间隔 1 天。
  • 第二次答对,间隔 6 天。
  • 第三次往后,间隔 = 上一次间隔 × EF。

假设每次都打 4 分、EF 保持 2.5,一张卡片的间隔会这样长:

复习次数12345
间隔(天)161537.593.75

评分会反过来调整 EF,公式长这样(q 是这次的评分):

EF' = EF + (0.1 - (5-q) × (0.08 + (5-q) × 0.02))

数学看着唬人,拆开就很好懂:(5-q) 是"离满分差多少"。打 5 分时它是 0,括号里只剩 0.1,EF 略微上升;打 4 分时算出来正好是 0,EF 不动;打分越低,减掉的数越大,EF 掉得越狠。算出来的新 EF 还有个下限 1.3,防止旋钮被拧到底、间隔永远长不起来。

SM-2 比盒子法强在每张卡片有了自己的节奏,实现又极其简单,不用机器学习,一个个人背单词软件几行代码就能上。短板也在这:EF 只是对难度的间接猜测,并不是真正的"记忆状态";它没精确描述记忆随时间怎么衰减,复习提前了、延后了都处理得比较粗糙,而且对评分比较敏感。

想快速验证一个产品功能,SM-2 是很划算的起点。

第三代:FSRS,先建记忆模型,再反推复习时间

前面两代都在"调周期":盒子法定死周期,SM-2 拿一个系数乘来乘去。FSRS 换了个思路,它想先把"记忆会怎么衰减"这件事建模,再从模型反推"该哪天复习"。这个思路目前是主流,Anki 新版本已经把 FSRS 作为重点推荐的调度算法,它的全称是 Free Spaced Repetition Scheduler。

FSRS 为每张卡片维护三个变量,简称 DSR:

变量英文大白话解释
DDifficulty难度:这个知识点本身有多难记
SStability稳定性:记忆强度衰减到九成要多久
RRetrievability可提取性:此刻还能想起来的概率

三个里最该弄懂的是 S(稳定性)。假设某张卡片的 S 是 10 天,意思是"距离上次复习 10 天的时候,你还记得它的概率降到了 90%"。注意这不等于 10 天后就彻底忘了,只是记忆强度已经滑到了 90% 这个位置。S 越大,记得越牢,能撑更久。

R 则是随时间不断下降的那个动态值:刚复习完接近满格,之后一路走低。调度要做的事,就是在你设定的目标保留率那条线上,找到 R 掉下来的交点,把复习安排在那里。

整个推理链可以这样看:

卡片状态(D,S,R) + 目标保留率 --> 沿遗忘曲线找交点 --> 下次复习日

这里有个特别有价值的设计:目标保留率(Desired Retention)是你可以调的。想记得牢一点,设成 95%,算法就把复习排得密一些;能接受忘掉一些,设成 80%,间隔就拉长、复习量下降。复习频率从一个写死在代码里的数字,变成了一个你能拧的旋钮。

每次复习完,FSRS 用四档评分更新记忆状态:Again(忘了)、Hard(很费劲才想起)、Good(正常想起)、Easy(毫不费力)。选 Again,难度通常上升、稳定性大幅下降,很快就得再见;选 Easy,难度下降、稳定性抬升,下次复习能排得更远。这些状态由参数模型算出来,并不是简单加减几个固定数。

FSRS 还有一招是前两代没有的:它能拿你自己的复习历史来调参数。同样背单词,有人天生记得牢,有人对长单词特别健忘,FSRS 分析过去的间隔和答题结果,把模型参数优化到贴合你个人的记忆规律。新用户历史数据少,先用默认参数,攒够了再个性化。

这里要澄清一个常见误解:FSRS 并不是给每张卡片训练一个神经网络,它用的是参数化的记忆模型 + 复习日志优化。另外常听到的"能省 20% 到 30% 复习量",是有条件的结论——具体省多少,取决于你的数据、设定的目标保留率,以及拿来对比的是谁,不是对所有人所有数据集的保证。

FSRS 的短板也很实在:比 SM-2 复杂得多,要存完整复习历史,四档评分需要用户适应,模型参数和版本升级要考虑迁移。但如果你要做的是一个打算长期用下去的产品,这份复杂度是值得的。

第四代:HLR,用机器学习预测"半衰期"

最后看 HLR(Half-Life Regression,半衰期回归)。这是 Duolingo 的研究者 Burr Settles 和 Brendan Meeder 在 2016 年提出的,论文叫 A Trainable Spaced Repetition Model for Language Learning。

它借用了物理学的半衰期概念:放射性元素的原子,过一个半衰期剩一半,再过一个剩四分之一。记忆也类似——假设一个单词的半衰期是 5 天,那 5 天后你大概还记得一半概率,10 天后剩四分之一,15 天后约八分之一。

它用的公式是一个指数衰减:

P(想起来) = 2 的 (-Δ / h) 次方

符号解释一下:Δ 是距离上次学习过了多久,h 是半衰期,P 是此刻能想起来的概率。这个式子的意思用大白话讲就是——时间每走过一个半衰期,记得的概率就砍一半。走了两个半衰期,砍两次,剩四分之一。

关键就在于 h 怎么来。HLR 的做法是训练一个回归模型,把用户、单词本身、学习次数、过去答错几次、距上次复习多久等特征喂进去,预测出这个"某人在某个词上的半衰期",再用它算当前的记忆概率,决定要不要复习。

它和 FSRS 思路相近,都是"建模 + 预测",但出发点不同:HLR 直接拿机器学习回归去拟合半衰期,并强调利用单词的语言学特征和用户特征。它很适合手里有大量学习数据的平台,数据越多,模型越准。

有两个点容易被以讹传讹。其一,HLR 不是闭源的商业黑箱,Duolingo 当年把论文、数据和代码都公开了,开源社区也有实现。其二,它也不能简单说"比 FSRS 差"——两者的研究背景、训练数据和优化目标都不一样,光看算法名字排高下并不公平。对个人小应用来说,HLR 的门槛往往过高:数据量不够,特征工程和模型训练的投入产出比划不来。

四种算法放一起看

把四个方案摆在同一张表里,差异就清楚了:

对比维度LeitnerSM-2FSRSHLR
核心机制固定盒子难度因子记忆状态模型半衰期回归
个性化很弱单卡片单卡片 + 历史优化用户与知识点特征
遗忘曲线没有隐式处理有有
用户评分对/错0 到 5 分四档看实现
历史记录不需要基本状态就够建议完整保存需要
参数训练不需要不需要可以需要
实现难度很低低较高较高
小型应用适合适合适合不太适合

还有两个细节容易搞错,单独拎出来说。

一是评分档位别和算法绑死。 SM-2 原始算法用的是 0 到 5 六档评分,早期 Anki 做了改造,才改成 Again、Hard、Good、Easy 四档。所以"SM-2 就等于四档评分"是个误会,四档是后来 Anki 的选择。

二是"FSRS 一定更省时间"要打个问号。 前面说过,省 20% 到 30% 是有前提的结论。别把它当成换个算法就自动到手的收益。

自己做一个 SRS,怎么选

给一条清晰的决策路线:

  • 做原型、想快速验证功能:上 SM-2。成本低,够用,以后也有升级空间。
  • 打算长期做、认真做:直接上 FSRS。别先做一套以后注定要迁移的算法,迁移的代价往往比一开始多写的那点代码高得多。
  • 手里有海量学习数据、有模型训练能力:再考虑 HLR 这条路线。

不管最后选哪个,有一个坑建议一开始就绕开:把"卡片当前状态"和"复习历史记录"分开存。

卡片表存当前的状态,比如难度、稳定性、下次到期时间;复习记录表则把每一次复习都记下来——哪张卡、什么时候复习的、隔了多久、当时打了几分。

千万别只存当前状态就完事。 这些历史记录是后面的救命稻草:重算 FSRS 参数要它、换算法版本要它、从 SM-2 迁到 FSRS 要它、分析用户到底怎么忘的还是要它。当时嫌麻烦省下的一张表,将来会用几倍的力气补回来。

另外,FSRS 内部还涉及学习阶段、重新学习阶段、记忆状态初始化等一堆细节,实际动手时不建议从零推导所有公式,直接用成熟实现更稳,比如开源社区维护的 fsrs4anki、py-fsrs、ts-fsrs。

SRS 不只是算法

最后提醒一件容易忽略的事:一个好用的 SRS 产品,算法只是其中一层。它至少有三层:

记忆模型:预测你此刻还记不记得
     |
调度算法:决定今天复习哪些卡、什么时候复习
     |
学习体验:每日上限、学习负荷、卡片顺序、反馈方式

算法解决的是中间那层。可现实中会冒出很多它管不了的问题:FSRS 算出今天有 100 张卡到期,但你只有 15 分钟,先复习哪几张?新卡和旧卡怎么分配?忘了的卡要不要立刻重学?允不允许提前复习?

这些取舍属于产品和体验层,算法本身不回答。把算法和业务调度解耦、留出调节空间,才是能长期用下去的设计。

说到底,无论哪一代算法,真正在发挥作用的是底下那套记忆调度引擎,卡片里装的是英语单词、日语单词、编程知识还是面试题,其实没那么重要。把"什么时候复习"这件事自动化、个性化,才是 SRS 从头到尾想解决的那个问题。