Respuesta rápida: Durante 30 años, SM-2 fue el estándar de oro de la repetición espaciada. Luego llegó FSRS y lo cambió todo. Esto es lo que esta diferencia significa realmente para tus sesiones de estudio diarias. Esta guía te da el contexto práctico, los pros y contras, y los siguientes pasos para que puedas decidir cómo aplicarlo en tu propio sistema de estudio.
Puntos clave:
- Cómo funciona SM-2
- Cómo funciona FSRS de manera diferente
- Los números: ¿Cuánto mejor es FSRS?
FSRS vs SM-2: Por qué el algoritmo de tu app de flashcards importa más de lo que crees
Cuando calificas una flashcard, pasa algo en segundo plano en lo que casi nadie piensa: un algoritmo decide cuándo volverás a ver esa tarjeta. Puede ser mañana. Puede ser en 47 días. Si aciertas con el momento justo, recordarás la información con el mínimo esfuerzo. Si te equivocas, perderás el tiempo repasando tarjetas que ya te sabes, o bien olvidarás las que más necesitabas.
Durante la mayor parte de la historia moderna de la repetición espaciada, ese algoritmo fue SM-2. Creado por Piotr Wozniak en 1987 para SuperMemo, SM-2 se convirtió en el planificador por defecto en Anki y en muchas otras aplicaciones de flashcards. Anki añadió FSRS de forma nativa en 2023, aunque muchas colecciones siguen usando SM-2 hasta que activas FSRS en las opciones del mazo. Fue un verdadero hito.
Luego, en 2022, un investigador llamado Jarrett Ye publicó FSRS (Free Spaced Repetition Scheduler) y el campo nunca volvió a ser el mismo.
Cómo funciona SM-2
La lógica central de SM-2 es elegante en su sencillez. Después de repasar una tarjeta y calificar tu recuerdo, el algoritmo ajusta dos valores:
- Ease Factor — un multiplicador por tarjeta que determina con qué agresividad crece el intervalo
- Interval — el número de días antes del próximo repaso
El factor de facilidad por defecto empieza en 2.5. Si calificas constantemente una tarjeta como "Bien", el intervalo crece exponencialmente: 1 día → 6 días → 15 días → 37 días → 93 días, y así sucesivamente. Si la calificas como "Difícil" varias veces, el factor de facilidad disminuye (el famoso "ease hell" o infierno de facilidad, en la jerga de la comunidad de Anki) y los intervalos nunca crecen, atrapándote en un ciclo sin fin de repasar la misma tarjeta cada pocos días.
Esta rigidez es la limitación fundamental de SM-2. Los intervalos se calculan, no se predicen. El algoritmo no tiene un modelo de cómo se deteriora realmente la memoria humana. No sabe cuándo estás a punto de olvidar algo: simplemente aplica una fórmula y espera que funcione.
Cómo funciona FSRS de manera diferente
FSRS aborda la repetición espaciada como un problema de predicción.
En lugar de preguntar "¿Cuál debería ser el siguiente intervalo?", FSRS se pregunta: "¿Cuándo caerá la probabilidad de recordar correctamente esta tarjeta a mi tasa de retención objetivo (por ejemplo, el 90%)?". Ese es el momento de programar el próximo repaso: ni antes (esfuerzo perdido) ni después (olvido).
Para hacer esta predicción, FSRS modela tres variables para cada tarjeta:
1. Dificultad (D)
Una puntuación del 1 al 10 que representa qué tan difícil es intrínsecamente esta información para ti. Una tarjeta sobre un concepto del que ya tenías conocimientos previos podría tener una dificultad de 2. Una palabra de vocabulario extranjero en una escritura desconocida podría tener un 8.5.
2. Estabilidad (S)
Medida en días, la estabilidad representa cuánto tiempo se puede dejar una tarjeta sin tocar antes de que el recuerdo baje del 100% al 90%. Una tarjeta recién aprendida puede tener una estabilidad de 1 a 2 días. Una tarjeta bien repasada puede tener una estabilidad de más de 300 días, lo que significa que solo necesitas repasos anuales para mantener un 90% de retención.
3. Recordabilidad (R)
La probabilidad actual (ahora mismo, en este preciso momento) de que puedas recordar correctamente esta tarjeta. Si R = 0.9, tienes un 90% de probabilidades de acertar. Si R = 0.3, lo más probable es que ya la hayas olvidado.
Cuando calificas una tarjeta, FSRS utiliza estas tres variables más un conjunto de pesos entrenables (entre 17 y 21, según la versión de FSRS de tu app) para calcular un nuevo intervalo. Esos parámetros no son arbitrarios: se ajustaron a partir de decenas de miles de historiales de repaso reales de estudiantes reales, y luego se perfeccionaron mediante técnicas como la estimación de máxima verosimilitud y el descenso de gradiente estocástico.
Los números: ¿Cuánto mejor es FSRS?
La evidencia es contundente:
Entre un 20% y un 30% menos de repasos para la misma retención. Los análisis comparativos independientes que evalúan FSRS frente a SM-2 en mazos de tarjetas idénticos muestran constantemente que los usuarios de FSRS logran la misma retención de conocimientos con aproximadamente una cuarta parte menos de sesiones de repaso. Para un estudiante comprometido que hace 200 repasos al día, eso supone ahorrarse 50 repasos, todos los días.
Parámetros personalizados. FSRS incluye un optimizador que analiza tu propio historial de repasos y ajusta sus 21 parámetros para adaptarse a tus curvas de memoria personales. Los parámetros por defecto ya son excelentes (derivados de millones de repasos), pero un optimizador personalizado (disponible tras unos 1,000 repasos) hace que el algoritmo sea aún más preciso para tus patrones de aprendizaje específicos.
Sin "ease hell" (infierno de facilidad). Dado que FSRS no utiliza un factor de facilidad fijo, no hay una espiral descendente en la que las tarjetas difíciles queden atrapadas permanentemente en intervalos cortos. La dificultad se recalcula continuamente en función de tu rendimiento real al recordar.
Objetivo de optimización transparente. Puedes establecer la tasa de retención que desees (por defecto: 90%) y FSRS te indicará tu carga de trabajo diaria estimada para cualquier nivel de retención. Algunos estudiantes descubren que bajar del 90% al 75-80% de retención reduce drásticamente su carga de repasos y, al mismo tiempo, les permite recordar a largo plazo el material más importante de forma excelente.
Impacto en el mundo real: Un día cualquiera
Imagina que estás estudiando para un examen de certificación profesional dentro de seis meses, con un mazo de 800 tarjetas.
Con SM-2: Tu número de repasos diarios fluctúa de forma impredecible. Algunos días repasas 50 tarjetas, otros 200. Las tarjetas que te resultaron fáciles al principio siguen apareciendo con la misma frecuencia que las difíciles. Las tarjetas que te costaron trabajo se quedan atrapadas en intervalos cortos. Para el tercer mes, habrás dedicado una media de 90 minutos al día a repasar, gran parte de ello de forma redundante.
Con FSRS: Tu cola diaria es más fluida y predecible. Las tarjetas que ya dominas se desplazan hacia intervalos mensuales o anuales, desapareciendo por completo de tu cola diaria. Las tarjetas difíciles reciben repasos más frecuentes y programados con precisión. Tu tiempo de repaso diario se estabiliza en unos 45 minutos, obteniendo el mismo resultado de retención.
La diferencia no es solo el tiempo. Es la sostenibilidad. Los estudiantes que sufren de "fatiga de repaso" con SM-2 suelen abandonar sus mazos. Los calendarios de repaso basados en FSRS están calibrados para mantenerse dentro de la capacidad diaria de tu memoria de trabajo.
Cuándo es más importante FSRS
No todos los estudiantes necesitan obsesionarse con la programación. Pero el algoritmo importa muchísimo cuando:
- tu mazo va a durar meses o años, no días
- estás estudiando medicina, idiomas, exámenes de abogacía o certificaciones
- tu mayor problema no es la motivación, sino la sobrecarga de repasos diarios
- quieres generar tarjetas nuevas rápidamente sin crear una cola imposible de mantener
Por eso, la elección del algoritmo a menudo se convierte en la elección del producto. Si quieres comparar aplicaciones reales, echa un vistazo a las mejores apps de flashcards en 2026. Si estás decidiendo específicamente si dejar Anki, consulta la página de alternativa a Anki de Neurako.
FSRS en la investigación académica
FSRS ha captado una gran atención académica. El desarrollador del algoritmo, Jarrett Ye, publicó un artículo en la 28.ª Conferencia ACM SIGKDD sobre Descubrimiento de Conocimiento y Minería de Datos (uno de los encuentros más competitivos en la investigación de aprendizaje automático) cuando aún era estudiante de grado.
Un artículo de investigación de 2025 (LECTOR) comparó de forma independiente FSRS con otros seis algoritmos de programación de la competencia en 100 estudiantes simulados durante 100 días. FSRS logró una tasa de éxito de aprendizaje del 89.6%, la segunda más alta de todos los algoritmos probados, solo por detrás de LECTOR (que requiere inferencia de LLM para cada repaso, lo que lo hace computacionalmente mucho más costoso). Como algoritmo práctico que se puede ejecutar de forma local, FSRS no tuvo rival.
FSRS se ha implementado en Python, Go, Rust, TypeScript, Swift, Dart y otra docena de lenguajes de programación, y ahora se utiliza en Anki (de forma nativa desde la versión 23.10 en 2023), RemNote y una lista cada vez mayor de aplicaciones educativas, incluida Neurako.
A fecha de agosto de 2026, la división práctica ya no es "¿tiene esta app FSRS?", sino si FSRS está activado por defecto. Anki todavía requiere activar una opción en el mazo; muchas colecciones antiguas siguen usando SM-2. Neurako utiliza ts-fsrs como único planificador, por lo que no hay que dar ningún paso de activación ni gestionar modos heredados.
Por qué Neurako utiliza FSRS
Cuando creamos el motor de repetición espaciada en Neurako, nos hicimos una pregunta: ¿qué ofrece a los estudiantes el mejor rendimiento por el tiempo invertido?
La respuesta fue contundente. La combinación en FSRS de bases en la ciencia cognitiva, personalización mediante aprendizaje automático y datos de rendimiento en el mundo real lo convertían en la única opción lógica.
Cada repaso que completas en Neurako alimenta el modelo de tu memoria de FSRS. Cada calificación que das —"Otra vez", "Difícil", "Bien" o "Fácil"— no solo programa el próximo repaso. Está entrenando un modelo personal de cómo tu cerebro retiene la información. Con el tiempo, a medida que tu historial de repaso crece, el algoritmo se vuelve cada vez más preciso específicamente para ti.
También te mostramos directamente tus análisis de retención: puedes ver tu tasa de retención actual, el total de tarjetas dominadas y las tendencias de repaso diarias en tu panel de Neurako. El objetivo no es que estudies más, sino ayudarte a estudiar menos mientras recuerdas más.
La conclusión práctica
FSRS vs. SM-2 no es solo un debate técnico para hilos de Reddit. Determina si tu sistema de estudio se siente más ligero o más pesado a medida que tu mazo crece.
Si creas las tarjetas de forma manual, una mejor programación sigue importando. Si utilizas un generador de flashcards con IA para crear nuevas tarjetas a partir de fotos, texto y audio, importa aún más. La generación rápida solo ayuda si el sistema de repaso sigue siendo sostenible.
¿Debería importarte el algoritmo?
Para un uso casual de las flashcards (como aprender unas pocas decenas de palabras antes de un viaje), el algoritmo apenas importa. Pero para proyectos de aprendizaje serios y a largo plazo (facultad de medicina, adquisición de idiomas, certificaciones profesionales, preparación de exámenes oficiales), el algoritmo lo es todo.
La diferencia entre SM-2 y FSRS, extrapolada a un año de estudio diario, equivale potencialmente a cientos de horas. Horas que podrías dedicar a una comprensión más profunda, a hacer ejercicios prácticos, a dormir o a vivir.
El algoritmo es invisible cuando funciona bien. Simplemente te descubres recordando cosas que pensabas que habías olvidado, con menos esfuerzo del que esperabas.
Así es como funciona FSRS. Y por eso es el motor que impulsa el corazón de Neurako.
Referencias
- Ye, J. et al. (2022). A Stochastic Shortest Path Algorithm for Optimizing Spaced Repetition Scheduling. Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining.
- Wozniak, P. (1990). Optimization of learning. SuperMemo World.
- IntelliKernelAI. (2025). LECTOR: LLM-Enhanced Concept-based Test-Oriented Repetition for Adaptive Spaced Learning. arXiv:2508.03275.
- Comunidad Open Spaced Repetition. (2023). ABC of FSRS. GitHub Wiki: open-spaced-repetition/fsrs4anki.
- Denicola, D. (2025, May). Spaced Repetition Systems Have Gotten Way Better. domenic.me.
- Centro de ayuda de RemNote. (2024). The FSRS Spaced Repetition Algorithm.
- PyPI. (2026). fsrs package — py-fsrs v6.3.1.