三十多年来，SuperMemo World一直是间隔重复研究领域无可争议的领先者。我们的算法源自持续不断、以科学为导向的改进过程，以数百万次学习会话的数据为基础。最近，我们注意到一个令人担忧的趋势：公共讨论中充斥着虚假的基准测试与误导性主张，主要围绕开源FSRS算法展开。现在是时候为这场讨论带来严谨、科学的澄清了。当前的叙事不仅不正确，在方法论上也存在缺陷。你不能靠移动终点线来赢得比赛。
广泛流传的“FSRS更优”主张，甚至进入了一篇博士论文，但这些主张的基础是存在缺陷的比较。它们依赖Log Loss或AUC等机器学习指标。这些指标有助于模型训练，却完全不适合衡量间隔重复算法的校准精度。
我们花了数十年开发算法，如今正在完善唯一真正重要的基准：通用指标（Universal Metric）。
这个指标只衡量一件事：算法预测的记忆稳定性，与通过实证观察得到的稳定性之间的差异。完美算法的得分应为0%。没有借口，也没有其他解释。它是我们这个领域对真实情况毫不妥协的衡量标准。
将这一通用指标用于高质量学习数据时，结果清楚明确，不言自明：
- SM-19算法：1%—3%。
- SM-20算法：一种以SuperMemo关于大脑和记忆的专家知识为基础的新AI算法，仍在开发中。其结果正在接近SM-19，在结构良好的材料上甚至接近0%。
- FSRS，经过优化：15%—20%。
我们必须说清楚：15%—20%的错误率称不上“更优”，也称不上“有竞争力”。它明确表明，预测准确性存在显著差距。把这些结果说成旗鼓相当，是一种应当立即停止传播的“科学迷因”。
现有主流比较中的缺陷并非细枝末节，而是根本性问题：
- 它们使用了错误的基线。早期比较把FSRS与“R(SM17)(exp)”作比较。后者是一种理论上的指数近似，而不是SM-17算法实际的动态预测。这就像与一位世界级运动员的雕像比赛，然后声称击败了这位运动员。
- 它们的数据集小得可怜。仅凭16个知识库就得出宏大结论，在统计上是短视的。我们的工作得到了数百万人的学习历程验证。
- 它们忽视实时优化。现代SuperMemo算法会在每一次复习后即时调整模型。
我们并不否定FSRS背后的工作。它是值得肯定的开源成果，与SM-2等早期算法相比，也有明显改进。但声称它超越了40年的专门研究，不仅夸大其词，也有负于那些寻找最有效工具的学习者。
行动倡议：我们向整个间隔重复社区，包括研究者、开发者和认真学习的人，发出挑战：采用通用指标，作为衡量算法性能唯一可靠的基准。不要再把不同的东西混为一谈。不要再把训练指标当作性能指标。
以上是 SuperMemo 作者基于其初步测试和所选指标提出的比较观点，不能据此推断 Deckumi 的学习效果。备考时，可以先在 Deckumi 中把重点整理成问答卡，练习主动回忆；讨论自动调度方案时，FSRS 是可研究的开源算法。Deckumi 当前的闪卡自评不等于已经接入 FSRS 或 SM-19、SM-20。
SuperMemo World的使命一直是尽量减少学习时间，让终身知识积累尽可能丰富。这个使命建立在科学诚信之上，而不是靠有缺陷的方法赢得人气竞赛。
前进的道路很清楚：采用严谨的基准，要求客观的比较。让通用指标引领间隔重复的未来，这样我们就能共同关注真正重要的事：学习质量，以及学习在科学中的新应用。深入理解人类记忆形成过程，是突破人工神经网络持续学习障碍的关键，也是迈向超级智能的第一步。
Krzysztof Biedalak，首席执行官