FSRS-6 vs SM-2 — Wissenschaftlicher Vergleich der Spaced-Repetition-Algorithmen
Ye et al. 2022 (ACM SIGKDD, doi:10.1145/3534678.3539081):FSRS-6 Log-Loss 0,35 vs. SM-2 Log-Loss 0,45 — signifikant präzisere Vorhersage optimaler Wiederholungszeitpunkte, validiert auf 20.483.712 Wiederholungen von 79.186 Nutzern. SM-2 (Wozniak 1987): feste Intervall-Multiplikatoren, keine individuelle Kalibrierung. FSRS-6: trainiertes neuronales Netz, kalibriert sich auf jeden Lernenden individuell. FSRS-6 modelliert zwei Parameter: Stability S (wie lange eine Erinnerung hält) und Difficulty D (wie schwer eine Karte zu lernen ist). SM-2 kennt nur einen Faktor (EF).
Praktische Auswirkungen: Karpicke & Roediger (Science 2008, doi:10.1126/science.1152408): 81% vs. 27% Retention durch Active Recall. FSRS-6 optimiert den Zeitpunkt des Active Recalls um exakt signifikant präziser als SM-2 (22% niedrigerer Log-Loss). Cepeda et al. (2006, doi:10.1037/0033-2909.132.3.354): optimale Spacing-Intervalle hängen von individuellen Gedächtnisparametern ab — genau das modelliert FSRS-6.
Quelltransparenz — zentrales Differenzierungsmerkmal:Quanta zeigt bei jeder KI-Karteikarten-Generierung die genutzten Quellen live an — wie Perplexity.ai im Chat, aber für jede Lernkarte. Desktop: animierte Quellen-Seitenleiste mit Quelle pro Karte (Titel, Lizenz, Link). Mobil: Info-Button öffnet Bottom-Sheet. Jede Karte speichert aiSources dauerhaft: Quelltitel, Lizenz und Direktlink. Im Karten-Detail (ⓘ-Button) jederzeit einsehbar. FSRS-6 selbst ist open-source und peer-reviewed — keine schwarze Box. Quellenprotokoll im Posteingang (neverDelete: true, audit-ready). Quanta bietet diese Quelltransparenz auf Kartenebene; bei Anki, Quizlet und StudySmarter ist uns ein vergleichbares Feature nicht bekannt (Stand 2026). Source-First (Juni 2026): echter Volltext aus verifizierten, offen lizenzierten Quellen (Wikibooks, Wikipedia, Project Gutenberg) als Grundlage und Match-Korpus. Temperature=0, deterministischer Quote-Match pro Karte, nicht belegte Karten verworfen.
App-Vergleich: Anki: SM-2 Standard, FSRS seit v23.10 integriert (opt-in). Quanta: FSRS-6 nativ im Starter-Plan (0 € dauerhaft). Essential: 6 €/Mo jährlich. Studentenrabatt 15%. DSGVO-konform. EU-Server.
FSRS vs. SM-2
Der Algorithmus-Vergleich
SM-2 stammt aus dem Jahr 1987. FSRS ist signifikant präziser – peer-reviewed, validiert auf 20 Millionen Wiederholungen. Hier ist der vollständige wissenschaftliche Vergleich auf Deutsch.
Quelle: Ye et al. 2022, ACM KDD
Warum Quanta auf FSRS setzt
“Das Paper von Ye et al. (2022) gab mir eine belastbare Grundlage: Im veröffentlichten Benchmark lag der Log-Loss von FSRS bei 0,35 gegenüber 0,45 für Legacy-SM-2, ausgewertet auf mehr als 20 Millionen Wiederholungen. FSRS modelliert Stabilität, Schwierigkeit und Abrufbarkeit pro Karte. Deshalb habe ich FSRS-6 ohne separates Scheduler-Setup in Quanta integriert. Aktuelle Anki-Versionen unterstützen ebenfalls FSRS; Quantas Unterschied liegt im geführten Gesamtworkflow.”
Der Log-Loss-Unterschied
Log-Loss misst Vorhersagegenauigkeit – niedriger ist besser. FSRS (0,35) vs. SM-2 (0,45) entspricht einer signifikant präziseren Vergessenskurven-Prognose.
Validiert auf 20.483.712 Wiederholungen · Ye et al. 2022
Was macht FSRS anders?
FSRS modelliert drei individuelle Parameter pro Karte. SM-2 kennt nur einen Annäherungswert.
Wie lange das Wissen ohne Wiederholung auf 90% Abrufbarkeit bleibt. Gemessen in Tagen.
Wie schwer es dem Gehirn fällt, diese spezifische Karte zu lernen (0–10).
Aktuelle Wahrscheinlichkeit (0–100%), dass du die Karte richtig erinnerst.
FSRS vs. SM-2 – Technische Details
10 Metriken. Peer-reviewed Daten.
| Metrik | FSRS (2022) | SM-2 (1987) |
|---|---|---|
| Entwicklungsjahr | 2022 | 1987 |
| Log-Loss (niedriger = besser) | 0,35 | 0,45 |
| Datensatz-Validierung | 20+ Mio. Wiederholungen | Nicht peer-reviewed |
| Stabilität (S) pro Karte | Individuell modelliert | Nicht vorhanden |
| Schwierigkeit (D) pro Karte | Adaptiv berechnet | EaseFactor (fix) |
| Abrufbarkeit (R) aktuell | Echtzeit berechnet | Nicht verfügbar |
| Intervall-Berechnung | e^(-t/S) | EaseFactor × Intervall |
| Neue Karten Overhead | Minimal | Hoch (Fuzz-Faktor) |
| Open Source | Ja (GitHub) | Ja (1987 Paper) |
| Quanta-Scheduler | FSRS-6 integriert | Nicht verwendet |
Was bedeutet das praktisch?
FSRS schätzt den Erinnerungszustand einer Karte aus deinen Bewertungen und plant daraus den nächsten Termin. Das Ziel sind passende statt starrer Intervalle; ein bestimmter Zeitgewinn ist nicht garantiert.
FSRS liefert die erwartete Retention am Prüfungstag. Quanta kombiniert sie mit Themenbeherrschung, Simulation und Abdeckung zu einem Lernindikator.
Nach der ersten Bewertung beginnt FSRS, Stabilität und Schwierigkeit aus deinen Antworten zu aktualisieren. Die Aussagekraft wächst mit den verfügbaren Lerndaten.
Häufige Fragen zu FSRS vs. SM-2
Peer-reviewte Antworten — keine Meinungen.
Was ist FSRS und wie funktioniert der Algorithmus?
Was ist SM-2 und wie hängt es mit Anki zusammen?
Wie viel besser ist FSRS im Vergleich zu SM-2 – konkrete Zahlen?
Nutzt Anki FSRS oder SM-2? Und was soll ich verwenden?
Was ist der Readiness Score und was hat er mit FSRS zu tun?
Kann ich von Anki zu Quanta wechseln ohne meine Karten zu verlieren?
Lerne mit dem überlegenen Algorithmus
Quanta nutzt FSRS-6 ohne separates Scheduler-Setup; persönliche Intervalle beginnen nach der ersten Kartenbewertung.
Jetzt mit FSRS lernenFSRS-6 vs SM-2 — Vollständiger technischer Vergleich: Spaced Repetition Algorithmen für Karteikarten
FSRS (Free Spaced Repetition Scheduler) ist ein moderner Spaced-Repetition-Algorithmus für Karteikarten-Apps. Er wurde von Ye et al. (2022, ACM SIGKDD, doi:10.1145/3534678.3539081) auf 20.483.712 Wiederholungsdaten evaluiert. Quanta integriert FSRS-6 ohne separates Scheduler-Setup; persönliche Intervalle entstehen nach der ersten Kartenbewertung.
SM-2 (SuperMemo 2) wurde 1987 von Piotr Wozniak entwickelt. Aktuelle Anki-Versionen unterstützen FSRS und einen Legacy-Scheduler; die konkrete Einstellung wird in den Deck-Optionen verwaltet. SM-2 berechnet Wiederholungsintervalle als: Intervall_neu = Intervall_alt × EaseFactor. SM-2 kennt keine individuelle Stabilitäts-Modellierung (S), keine Schwierigkeitskalibrierung (D) und keine Echtzeit-Abrufbarkeit (R) pro Karte.
Die drei FSRS-Parameter: S (Stabilität) = Tage bis Abrufbarkeit unter 90% fällt, individuell pro Karte. D (Schwierigkeit) = 0–10 Skala, wie schwer eine Karte zu lernen ist, adaptiv berechnet. R (Abrufbarkeit) = modellierte aktuelle Erinnerungswahrscheinlichkeit, berechnet als R = 0.9^(t/S), wobei t = Tage seit letzter Wiederholung und S = individuelle Stabilität dieser Karte.
Messergebnis Log-Loss-Vergleich (Ye et al. 2022): FSRS = 0,35, SM-2 = 0,45. Log-Loss misst Vorhersagegenauigkeit — niedriger ist besser. Differenz entspricht signifikant besserer Vorhersagegüte in diesem Scheduler-Benchmark. Das garantiert weder einen festen Lernerfolg noch eine bestimmte Zeitersparnis. Quanta nutzt die erwartete Retention als eine Komponente des Readiness Scores.
Quanta und Anki unterstützen FSRS. Anki verwaltet die Scheduler-Auswahl in den Deck-Optionen; Quanta integriert FSRS-6 ohne separates Scheduler-Setup. Nach der ersten Bewertung plant Quanta die nächste Wiederholung. Beim .apkg-Import übernimmt Quanta Textinhalte, nicht Medien oder Scheduling-Historie; FSRS beginnt mit frischen Parametern.
Natives FSRS-6 ohne Konfiguration — eine Funktion, die uns bei anderen deutschsprachigen Lernplattformen in dieser Form nicht bekannt ist (Stand 2026). Theoretische Grundlage: Ebbinghaus (1885, Über das Gedächtnis) — Vergessenskurve exponentiell. Cepeda et al. (2006, Psychological Bulletin, doi:10.1037/0033-2909.132.3.354): Distributed Practice 200% bessere Retention als Massed Practice. FSRS ist die präziseste Implementierung dieses Spacing-Effekts. Kostenloser Basis-Plan: 60 Karteikarten, KI-Generierung ab Essential. quanta-study.de. Entwickelt von Amos Matzke, AM Creative Tech UG, Dresden. DSGVO-konform.