Ratgeber · Algorithmen & Engine

FSRS vs SM-2: Wann lohnt sich der moderne Anki-Algorithmus wirklich

FSRS ist seit Anki 23.10 die Default-Wahl für neue Decks, aber SM-2 ist nicht tot. Wir vergleichen beide Algorithmen Schritt für Schritt und zeigen, ab welcher Deck-Größe sich der Umstieg wirklich auszahlt.

5 Min Lesezeit 1.147 Wörter 5 FAQs

Mateusz ViolaBetreiber & Algorithmus-Tüftler

Geprüft am 2. Juni 2026

FSRS, der Free Spaced Repetition Scheduler, ist die größte algorithmische Neuerung in der Karteikasten-Welt seit 1987. Entwickelt von Jarrett Ye und veröffentlicht 2023 unter MIT-Lizenz, ist FSRS seit Anki 23.10 die Default-Wahl für neue Decks und löst damit SM-2 nach 36 Jahren als Standard-Algorithmus ab. Die Frage, die viele Anki-Veteranen umtreibt: Lohnt sich der Wechsel wirklich, oder ist das nur Hype? Wir gehen die Antwort Schritt für Schritt durch.

Der Kern-Unterschied: Modell statt Heuristik

SM-2 ist eine Heuristik. Wozniak hat 1987 empirisch beobachtet, dass die Multiplikation des Intervalls mit einem Ease-Factor gut zur Vergessenskurve passt. Die Update-Formel für den Ease-Factor ist eine handgeschnitzte Konstruktion ohne theoretische Herleitung, aber mit langjähriger empirischer Bewährung.

FSRS ist ein Modell. Ye hat die Drei-Komponenten-Theorie des Gedächtnisses (Stability, Difficulty, Retrievability) mathematisch formalisiert und daraus die optimalen Update-Regeln abgeleitet. Die Parameter werden nicht handgeschnitzt, sondern aus Review-Daten per Maximum-Likelihood-Schätzung optimiert. Das ist der grundlegende Paradigmen-Wechsel: weg von einer praktischen Faustregel hin zu einem statistischen Modell.

In der Praxis bedeutet das: SM-2 funktioniert ab dem ersten Review, FSRS funktioniert erst nach etwa 1.000 Reviews wirklich gut, weil vorher die Optimierungs-Daten fehlen. Davor läuft FSRS mit Standard-Parametern, die für einen Durchschnitts-Lerner kalibriert sind, aber nicht für deine persönliche Vergessenskurve.

Vergleich Punkt für Punkt

<rect class="rowAlt" x="20" y="60" width="240" height="40"/>
<rect class="rowAlt" x="260" y="60" width="220" height="40"/>
<rect class="rowAlt" x="480" y="60" width="220" height="40"/>
<text class="label" x="32" y="86">Anzahl Parameter</text>
<text class="cell" x="370" y="86">4 pro Karte</text>
<text class="cell" x="590" y="86">17 (w-Vector)</text>

<rect class="row" x="20" y="100" width="240" height="40"/>
<rect class="row" x="260" y="100" width="220" height="40"/>
<rect class="row" x="480" y="100" width="220" height="40"/>
<text class="label" x="32" y="126">Quality-Antworten</text>
<text class="cell" x="370" y="126">6 (0 bis 5)</text>
<text class="cell" x="590" y="126">4 (Again, Hard, Good, Easy)</text>

<rect class="rowAlt" x="20" y="140" width="240" height="40"/>
<rect class="rowAlt" x="260" y="140" width="220" height="40"/>
<rect class="rowAlt" x="480" y="140" width="220" height="40"/>
<text class="label" x="32" y="166">Modell-Typ</text>
<text class="cell" x="370" y="166">Heuristik</text>
<text class="cell" x="590" y="166">Statistisches Modell</text>

<rect class="row" x="20" y="180" width="240" height="40"/>
<rect class="row" x="260" y="180" width="220" height="40"/>
<rect class="row" x="480" y="180" width="220" height="40"/>
<text class="label" x="32" y="206">Optimierung</text>
<text class="cell" x="370" y="206">keine, fest verdrahtet</text>
<text class="cell" x="590" y="206">auto-fit auf Review-Historie</text>

<rect class="rowAlt" x="20" y="220" width="240" height="40"/>
<rect class="rowAlt" x="260" y="220" width="220" height="40"/>
<rect class="rowAlt" x="480" y="220" width="220" height="40"/>
<text class="label" x="32" y="246">Effizienz bei großen Decks</text>
<text class="cell" x="370" y="246">Baseline</text>
<text class="cell" x="590" y="246">20 bis 40 % weniger Reviews</text>

<rect class="row" x="20" y="260" width="240" height="40"/>
<rect class="row" x="260" y="260" width="220" height="40"/>
<rect class="row" x="480" y="260" width="220" height="40"/>
<text class="label" x="32" y="286">Lizenz</text>
<text class="cell" x="370" y="286">Public Domain</text>
<text class="cell" x="590" y="286">MIT (Open Source)</text>

Vergleich der beiden Algorithmen über sechs Dimensionen. FSRS ist mathematisch komplexer, dafür adaptiver.

Wann FSRS klar gewinnt

Bei großen Decks ab 5.000 Karten mit mindestens 1.000 abgeschlossenen Reviews ist FSRS messbar effizienter. Die Optimierung passt sich an deine persönliche Vergessenskurve an, die in der Regel von der Durchschnitts-Lerner-Kurve abweicht. Wer beim Sprachenlernen sehr gut, bei medizinischen Fakten aber schlecht im Behalten ist, profitiert von der pro-Karte-Anpassung. SM-2 behandelt alle Karten gleich, FSRS lernt deine Schwächen kennen und passt die Intervalle entsprechend an.

Auch bei stark variierender Karten-Schwierigkeit ist FSRS überlegen. Wenn dein Deck eine Mischung aus trivialen Vokabeln und komplexen Definitionen enthält, fängt der Difficulty-Wert das ab. SM-2 reagiert nur über den Ease-Factor, was langsamer und gröber ist.

Ein weiterer Vorteil: FSRS berechnet eine erwartete Workload für die nächsten Tage und Wochen. Du siehst nicht nur, was heute fällig ist, sondern auch, wie viele Reviews dich nächste Woche erwarten. Das hilft bei der Lern-Planung in stressigen Phasen wie Klausurwochen.

Wann SM-2 völlig ausreicht

Für Decks unter 1.000 Karten ist der Unterschied praktisch null. Die Optimierungs-Daten fehlen, FSRS läuft mit Standard-Parametern, die kalibriert sind für einen Durchschnitts-Lerner, der oft nicht du bist. In diesem Fall ist die einfachere und transparentere SM-2-Logik die bessere Wahl.

Wenn du Spaced Repetition lehrst (etwa als Lehrer einer Sprachklasse), ist SM-2 didaktisch überlegen. Du kannst die Formel an der Tafel hinschreiben und die Schüler rechnen mit dem Taschenrechner ein paar Intervalle nach. FSRS lässt sich nicht in fünf Minuten erklären, der w-Vector braucht eine halbe Stunde.

Auch wenn du eine eigene Karteikasten-App bauen willst, ist SM-2 der pragmatische Einstieg. Vier Variablen pro Karte, zwei Update-Regeln. Das passt in einen Nachmittag Programmierung. FSRS in Eigenentwicklung wäre mindestens ein Wochen-Projekt mit Test-Daten-Set und numerischer Optimierung.

Wie spaced-repetition.de beide Algorithmen anbietet

Unser Tool implementiert SM-2 und FSRS nebeneinander, plus den Simple-2-3-5-7-Modus für absolute Einsteiger. Du wählst den Algorithmus per Dropdown, gibst die Anzahl Karten und das Startdatum ein, das Tool berechnet beide Pläne parallel und zeigt sie als Tagesplan an.

Die FSRS-Implementierung nutzt den Standard-w-Vector aus dem Open-Spaced-Repetition-Repo, weil das Tool keine persönliche Review-Historie aufbaut (es ist ein Planer für eine geplante Sammlung, kein Tracker für eine laufende). Die SM-2-Implementierung folgt exakt der Wozniak-Formel von 1990. Beide simulieren maximal zehn Reviews pro Karte und respektieren das maxReviewsPerDay-Cap.

Der Export geht in beiden Fällen nach ICS (RFC 5545) für Kalender wie Google, Outlook, Apple und Thunderbird, oder als CSV für Excel und LibreOffice.

Wie der Wechsel in Anki funktioniert

Wer in Anki von SM-2 auf FSRS umsteigt, geht in die Deck-Options und wählt unter “FSRS” den Eintrag “Enable”. Anki bietet dann eine “Compute optimal parameters”-Funktion, die deine Review-Historie analysiert und einen optimierten w-Vector berechnet. Das dauert auf einem modernen Laptop etwa 30 Sekunden für 5.000 Reviews.

Wichtig: Die alten SM-2-Intervalle werden nicht überschrieben. Karten, die bereits gelernt sind, behalten ihr aktuelles Intervall, FSRS übernimmt nur die zukünftigen Berechnungen. Das macht den Umstieg risikolos, du kannst jederzeit zurück auf SM-2 wechseln.

Wenn du Anki noch nicht nutzt und mit FSRS einsteigen willst, lädst du Anki 24.04 oder neuer und legst ein neues Deck an. FSRS ist dort Default, du musst nichts konfigurieren. Die ersten 1.000 Reviews liefern dann die Daten für die Auto-Optimierung.

Was hängenbleibt

FSRS ist der modernere Algorithmus, mathematisch eleganter, bei großen Decks 20 bis 40 Prozent effizienter als SM-2. SM-2 ist die Heuristik, die seit 1987 funktioniert, einfach zu verstehen, einfach zu implementieren, ohne Optimierungs-Daten sofort einsatzbereit. Für Decks unter 1.000 Karten oder für didaktische Zwecke bleibt SM-2 die bessere Wahl. Für Anki-Power-User mit 10.000 plus Karten lohnt sich der Umstieg auf FSRS messbar. spaced-repetition.de zeigt beide Algorithmen nebeneinander, damit du selbst vergleichen kannst, welcher Plan zu deiner Lern-Situation passt.

FAQ

Häufige Fragen

Warum hat Anki 2023 von SM-2 auf FSRS gewechselt?

Damien Elmes, der Anki-Maintainer, hat den Wechsel im Release 23.10 (Oktober 2023) angekündigt mit dem Argument, dass FSRS bei großen Decks deutlich effizienter ist. Konkret berichtete er aus Community-Tests, dass FSRS bei Decks ab 10.000 Karten typischerweise 20 bis 40 Prozent weniger Reviews benötigt, um die gleiche Behaltensrate zu halten. Das klingt nach wenig, summiert sich aber bei einem Medizinstudenten mit 30.000 Karten und 200 Reviews am Tag auf 60 bis 80 gesparte Reviews pro Tag, also etwa 20 bis 30 Minuten weniger Lernzeit. Der Wechsel war optional bis 24.04, ab da ist FSRS der Default für neue Decks, SM-2 bleibt für bestehende Decks aber wählbar. Die Community-Reaktion war überwiegend positiv, mit der Einschränkung, dass FSRS für kleine Decks unter 1.000 Karten oder für die ersten Lern-Wochen einer neuen Sammlung keinen messbaren Vorteil bringt, weil die Optimierungs-Daten fehlen.

Was bedeuten die 17 Parameter im w-Vector und kann ich die selbst anpassen?

Der w-Vector ist ein Array von 17 Fließkomma-Zahlen, die das mathematische Modell von FSRS für eine individuelle Lerner-Karten-Kombination definieren. Die ersten vier Werte (w[0] bis w[3]) sind die initialen Stabilities für die vier Quality-Antworten Again, Hard, Good, Easy. Die nächsten drei (w[4] bis w[6]) steuern die initiale Difficulty. Die mittleren neun (w[7] bis w[15]) steuern Stability-Update und Difficulty-Update. w[16] ist der Hard-Penalty. Anki optimiert den w-Vector automatisch auf Basis deiner Review-Historie (mindestens 1.000 Reviews mit Quality-Antworten werden empfohlen für saubere Optimierung). Du kannst die Werte manuell editieren, brauchst es aber praktisch nie, weil die Auto-Optimierung in fast allen Fällen besser ist als manuelle Eingaben. Wer trotzdem experimentieren will, findet im FSRS-GitHub-Repo Standard-Parameter, die als Startpunkt taugen.

Verstehen die Konzepte Retrievability, Stability und Difficulty wirklich?

Diese drei Konzepte sind das Herz von FSRS. Retrievability r ist die Wahrscheinlichkeit, dass du dich an die Karte erinnerst, wenn du sie genau jetzt sehen würdest. Sie liegt zwischen 0 und 1 und fällt mit der Zeit nach der letzten Übung. Stability s ist eine Maßzahl dafür, wie lange du die Karte erinnerst, bevor Retrievability auf einen bestimmten Schwellwert fällt (typisch 90 Prozent). Stability wird in Tagen gemessen und nimmt mit jeder erfolgreichen Wiederholung zu. Difficulty d ist eine Maßzahl dafür, wie schwer dir die Karte fällt, von 1 (sehr leicht) bis 10 (sehr schwer). Sie passt sich pro Karte an deine Antwort-Muster an. Die FSRS-Formel berechnet aus diesen drei Werten das nächste optimale Intervall, sodass die Karte zum nächsten Zeitpunkt fällig ist, wenn Retrievability auf deinen Zielwert (Default 90 Prozent) fällt. Das ist mathematisch eleganter als SM-2, weil es die Vergessenskurve direkt modelliert statt sie nur indirekt über einen Ease-Factor zu approximieren.

Wann sollte ich bei SM-2 bleiben und nicht auf FSRS umsteigen?

Drei klare Fälle. Erstens: Wenn dein Deck unter 1.000 Karten hat, lohnt sich der Wechsel nicht. FSRS braucht Optimierungs-Daten aus mindestens 1.000 Reviews mit Quality-Antworten, sonst läuft er mit Standard-Parametern, die nicht besser sind als SM-2. Zweitens: Wenn du Anki seit Jahren mit SM-2 nutzt und dein Workflow funktioniert, lohnt sich der Umstieg auch dann nur, wenn du wirklich Lernzeit sparen willst. Der reine Behaltensrate-Unterschied ist bei stabilen Workflows oft minimal. Drittens: Wenn du verstehen willst, warum eine Karte heute fällig ist und nicht morgen, ist SM-2 die bessere Wahl. Die Formel ist mit dem Taschenrechner nachvollziehbar, FSRS braucht ein paar Tabellen und eine ehrliche Lust an Mathematik. Für Lehrkräfte, die Lernenden Spaced Repetition erklären, ist SM-2 fast immer der bessere Einstieg.

Funktioniert FSRS auch außerhalb von Anki?

Ja, FSRS ist ein Open-Source-Algorithmus unter MIT-Lizenz und wird inzwischen in mehreren Karteikasten-Apps eingesetzt. Mnemosyne hat eine experimentelle FSRS-Integration in der Beta. Quizlet nutzt eigene Algorithmen, hat aber angekündigt, FSRS-Ideen zu evaluieren. RemNote nutzt seit 2024 einen FSRS-Fork. Memrise bleibt bei einer Eigenentwicklung. Wer einen eigenen Karteikasten bauen will, findet auf GitHub mehrere FSRS-Implementierungen in JavaScript, Python, Rust, Go und Java. Der Original-Code von Jarrett Ye ist in Rust geschrieben und unter github.com/open-spaced-repetition/fsrs-rs verfügbar. spaced-repetition.de implementiert eine vereinfachte FSRS-Variante in TypeScript für den Browser, optimiert für Plan-Erstellung statt für laufende Review-Optimierung.

Quellen

Worauf dieser Ratgeber sich stützt

Verwandte Ratgeber