요약하자면: 30년 동안 SM-2는 간격 반복 학습의 표준이었습니다. 그러다 FSRS가 등장하면서 모든 것이 바뀌었죠. 두 알고리즘의 차이가 여러분의 매일 학습 세션에 실제로 어떤 영향을 미치는지 알려드릴게요. 이 가이드에서 실용적인 맥락과 장단점, 그리고 다음 단계를 확인하고 여러분의 학습 시스템에 어떻게 적용할지 결정해 보세요.
핵심 요약:
- SM-2의 작동 원리
- FSRS는 어떻게 다르게 작동할까
- 숫자로 보는 결과: FSRS는 얼마나 더 좋을까?
FSRS vs SM-2: 플래시카드 앱의 알고리즘이 생각보다 훨씬 더 중요한 이유
플래시카드를 학습하고 점수를 매길 때, 대부분의 사람들이 눈치채지 못하는 일이 백그라운드에서 일어납니다. 바로 알고리즘이 이 카드를 언제 다시 보여줄지 결정하는 것인데요. 내일이 될 수도 있고, 47일 뒤가 될 수도 있어요. 이 타이밍을 제대로 맞추면 최소한의 노력으로 정보를 기억할 수 있습니다. 하지만 타이밍이 어긋나면 이미 잘 아는 카드를 검토하느라 시간을 낭비하거나, 가장 필요한 카드를 까먹어버리게 되죠.
간격 반복(spaced repetition) 학습의 현대 역사에서 오랫동안 그 중심에 있던 알고리즘은 바로 SM-2였습니다. 1987년 표트르 보즈니악(Piotr Wozniak)이 SuperMemo를 위해 만든 SM-2는 Anki를 비롯한 여러 플래시카드 앱의 기본 스케줄러로 자리 잡았어요. Anki는 2023년에 FSRS를 공식 지원하기 시작했지만, 덱 옵션에서 FSRS를 직접 활성화하기 전까지는 여전히 많은 컬렉션이 SM-2로 실행됩니다. 당시에 SM-2는 정말 혁신적인 돌파구였습니다.
그러다 2022년, Jarrett Ye라는 연구원이 FSRS(Free Spaced Repetition Scheduler)를 발표하면서 이 분야는 완전히 새로운 국면을 맞이하게 되었습니다.
How SM-2 Works
SM-2의 핵심 로직은 단순하면서도 정교합니다. 카드를 복습하고 기억 상태에 따라 점수를 매기면, 알고리즘은 다음 두 가지 값을 조정해요.
- Ease Factor (쉽기 조절 비율) — 복습 간격이 얼마나 빠르게 늘어날지 결정하는 카드별 배수
- Interval (복습 간격) — 다음 복습까지 걸리는 일수
기본 Ease Factor는 2.5에서 시작합니다. 카드를 계속해서 "Good"으로 평가하면 복습 간격이 1일 → 6일 → 15일 → 37일 → 93일처럼 기하급수적으로 늘어납니다. 하지만 "Hard"를 여러 번 누르면 Ease Factor가 감소하여, Anki 커뮤니티에서 말하는 "지옥의 Ease(ease hell)"에 빠지게 됩니다. 복습 간격이 거의 늘어나지 않아 몇 일마다 같은 카드를 계속 반복해서 봐야 하는 끝없는 굴레에 갇히게 되는 것이죠.
이러한 경직성이 바로 SM-2의 근본적인 한계입니다. 복습 간격이 '예측'되는 것이 아니라 단순히 '계산'될 뿐이거든요. 이 알고리즘에는 인간의 기억이 실제로 어떻게 망각되는지에 대한 모델이 없습니다. 여러분이 언제 정보를 잊어버리기 직전인지 알지 못한 채, 그저 공식을 대입하고 잘 되기만을 바랄 뿐이죠.
How FSRS Works Differently
FSRS는 간격 반복 학습을 예측 문제로 접근합니다.
"다음 복습 간격은 며칠로 해야 할까?"라고 묻는 대신, FSRS는 이렇게 질문합니다. "이 카드를 올바르게 기억해 낼 확률이 내가 목표로 하는 기억 회수율(예: 90%) 아래로 떨어지는 시점은 언제일까?" 바로 그 타이밍이 다음 복습을 예약해야 할 때입니다. 너무 빠르면 시간을 낭비하게 되고, 너무 늦으면 이미 잊어버리게 되니까요.
이 예측을 수행하기 위해 FSRS는 모든 카드에 대해 세 가지 변수를 모델링합니다.
1. Difficulty (D)
해당 정보가 여러분에게 본질적으로 얼마나 어렵게 느껴지는지를 나타내는 1~10 사이의 점수입니다. 이미 배경지식이 있는 개념이 담긴 카드는 난이도가 2일 수 있고, 익숙하지 않은 문자로 된 외래어 단어는 8.5가 될 수도 있습니다.
2. Stability (S)
일(day) 단위로 측정되는 안정도는 기억 회수율이 100%에서 90%로 떨어질 때까지 카드를 그대로 방치할 수 있는 기간을 나타냅니다. 새로 학습한 카드의 안정도는 1~2일 정도일 수 있습니다. 반면 복습이 잘 된 카드는 안정도가 300일 이상일 수 있으며, 이는 90%의 기억 회수율을 유지하기 위해 1년에 한 번만 복습해도 된다는 것을 의미합니다.
3. Retrievability (R)
지금 이 순간, 여러분이 이 카드를 올바르게 기억해 낼 수 있는 현재 확률입니다. R = 0.9라면 맞출 확률이 90%라는 뜻입니다. 만약 R = 0.3이라면 이미 잊어버렸을 가능성이 큽니다.
카드를 평가할 때, FSRS는 이 세 가지 변수와 학습 가능한 가중치 세트(앱에서 제공하는 FSRS 버전에 따라 17~21개)를 사용하여 새로운 복습 간격을 계산합니다. 이 매개변수들은 임의로 정해진 것이 아닙니다. 실제 학습자들의 수만 개의 실제 복습 기록에 맞춰 조정된 후, 최대 우도 추정법(maximum likelihood estimation) 및 확률적 경사 하강법(stochastic gradient descent)과 같은 기법을 통해 정교하게 다듬어졌습니다.
The Numbers: How Much Better Is FSRS?
실제 체감할 수 있는 증거는 아주 확실합니다.
동일한 기억률을 유지하면서 복습 횟수는 20~30% 감소합니다. 동일한 카드 덱을 사용하여 FSRS와 SM-2를 비교한 독립적인 벤치마크에 따르면, FSRS 사용자는 복습 횟수를 약 4분의 1이나 줄이면서도 동일한 수준의 지식을 유지할 수 있었습니다. 하루에 200번의 복습을 하는 열성적인 학생이라면 매일 50번의 복습 과정을 아낄 수 있는 셈이죠.
개인 맞춤형 매개변수. FSRS에는 여러분의 복습 기록을 분석하여 _여러분 개인_의 기억 곡선에 맞게 21개의 매개변수를 조정해 주는 최적화 도구(optimizer)가 포함되어 있습니다. 기본 매개변수도 수백만 건의 복습 데이터를 기반으로 설계되어 매우 훌륭하지만, 약 1,000번의 복습 후에 활성화되는 개인 맞춤형 최적화를 사용하면 여러분의 구체적인 학습 패턴에 딱 맞게 알고리즘이 더욱 정교해집니다.
"지옥의 Ease" 탈출. FSRS는 고정된 Ease Factor를 사용하지 않기 때문에, 어려운 카드가 짧은 복습 간격에 영원히 갇혀 버리는 하향 나선형 악순환이 발생하지 않습니다. 여러분이 실제로 카드를 얼마나 잘 기억해 냈는지에 따라 난이도가 지속적으로 다시 계산되기 때문입니다.
투명한 최적화 목표. 여러분이 원하는 목표 기억률(기본값: 90%)을 설정할 수 있으며, FSRS는 설정한 기억률에 따른 일일 예상 학습량을 알려줍니다. 어떤 학습자들은 목표 기억률을 90%에서 75~80%로 낮춤으로써 복습 부담을 극적으로 줄이면서도, 정작 중요한 정보들은 장기적으로 훌륭하게 기억해 내기도 합니다.
Real-World Impact: A Day in the Life
6개월 뒤에 있을 전문 자격증 시험을 대비해 800장의 카드로 구성된 덱을 공부하고 있다고 가정해 봅시다.
SM-2를 사용할 때: 하루 복습량이 예측 불가능하게 요동칩니다. 어떤 날은 50장, 어떤 날은 200장을 복습해야 하죠. 초반에 쉽다고 느꼈던 카드들이 어려운 카드와 똑같은 빈도로 자꾸 나타납니다. 고전했던 카드는 짧은 간격에 갇혀 버립니다. 3개월 차가 되면 매일 평균 90분을 복습에 쓰게 되는데, 그중 상당 부분은 불필요한 반복입니다.
With FSRS: 하루 학습 큐가 훨씬 부드럽고 예측 가능해집니다. 이미 완벽히 마스터한 카드는 몇 달 또는 몇 년 단위의 간격으로 넘어가서 하루 복습 목록에서 완전히 사라집니다. 어려운 카드는 더욱 자주, 정확한 타이밍에 복습하게 됩니다. 동일한 기억 수준을 유지하면서도 일일 복습 시간은 약 45분으로 안정화됩니다.
이 차이는 단순히 시간만의 문제가 아닙니다. 지속 가능성의 문제입니다. SM-2를 쓰다가 '복습 피로감'을 느낀 학생들은 결국 덱을 포기하는 경우가 많습니다. 반면 FSRS 기반의 복습 일정은 여러분의 작업 기억이 매일 감당할 수 있는 용량 내에서 작동하도록 세밀하게 조정됩니다.
When FSRS Matters Most
모든 학습자가 스케줄링에 집착할 필요는 없습니다. 하지만 다음과 같은 상황이라면 알고리즘이 아주 중요해집니다.
- 며칠이 아니라 몇 달, 혹은 몇 년 동안 유지할 덱을 공부할 때
- 의학, 어학, 변호사 시험(bar prep) 또는 전문 자격증을 공부할 때
- 가장 큰 고민이 동기부여 부족이 아니라 매일 밀려오는 복습량일 때
- 감당할 수 없을 정도로 복습이 밀리지 않으면서도 새로운 카드를 빠르게 추가하고 싶을 때
알고리즘 선택이 곧 제품 선택으로 이어지는 이유가 바로 여기에 있습니다. 실제 앱들을 비교해 보고 싶다면 2026년 최고의 플래시카드 앱을 확인해 보세요. 특히 Anki에서 갈아탈지 고민 중이시라면 Neurako의 Anki 대안 페이지를 참고해 보세요.
FSRS in Academic Research
FSRS는 학계에서도 큰 주목을 받고 있습니다. 이 알고리즘의 개발자인 Jarrett Ye는 학부생 신분으로 머신러닝 연구 분야에서 가장 권위 있는 학회 중 하나인 제28회 ACM SIGKDD (Knowledge Discovery and Data Mining) 콘퍼런스에서 논문을 발표했습니다.
2025년 한 연구 논문(LECTOR)에서는 100일 동안 100명의 가상 학습자를 대상으로 FSRS와 경쟁 관계에 있는 6가지 스케줄링 알고리즘을 독립적으로 벤치마킹했습니다. 그 결과 FSRS는 89.6%의 학습 성공률을 달성했습니다. 이는 테스트된 알고리즘 중 두 번째로 높은 수치였으며, FSRS보다 앞선 것은 매번 복습할 때마다 LLM 추론이 필요해 계산 비용이 훨씬 많이 드는 LECTOR뿐이었습니다. 기기 로컬에서 실용적으로 실행할 수 있는 알고리즘 중에서는 FSRS를 따라올 상대가 없었던 셈입니다.
FSRS는 Python, Go, Rust, TypeScript, Swift, Dart 등 수십 개의 프로그래밍 언어로 구현되었으며, 현재 Anki(2023년 23.10 버전부터 내장), RemNote를 비롯해 Neurako를 포함한 다양한 교육용 애플리케이션에서 사용되고 있습니다.
2026년 8월 현재, 실질적인 기준은 더 이상 "이 앱에 FSRS가 있는가?"가 아니라 "FSRS가 기본으로 켜져 있는가?"입니다. Anki는 여전히 덱 옵션에서 설정을 켜야 하고, 오랫동안 유지해 온 많은 컬렉션이 여전히 SM-2로 실행되고 있습니다. 반면 Neurako는 ts-fsrs를 단일 스케줄러로 사용하기 때문에 복잡하게 설정을 켤 필요도, 관리해야 할 이전 레거시 모드도 전혀 없습니다.
Why Neurako Uses FSRS
Neurako의 간격 반복 엔진을 만들 때 저희는 한 가지 질문을 던졌습니다. "학습자가 투자한 시간 대비 최고의 효율을 낼 수 있는 방법은 무엇일까?"
대답은 명확했습니다. 인지과학적 기반, 머신러닝을 통한 개인화, 그리고 실제 성능 데이터가 결합된 FSRS야말로 유일하고 합리적인 선택이었습니다.
Neurako에서 복습을 마칠 때마다 그 데이터는 FSRS의 기억 모델에 반영됩니다. 여러분이 선택하는 "Again", "Hard", "Good", 또는 "Easy" 등의 모든 평가는 단순히 다음 복습 일정을 잡는 것에 그치지 않습니다. 바로 _여러분_의 뇌가 정보를 어떻게 장기 기억으로 유지하는지 분석하는 개인화된 모델을 학습시키는 과정입니다. 시간이 지나고 복습 기록이 쌓일수록, 알고리즘은 오직 여러분만을 위해 점점 더 정확해집니다.
또한 저희는 기억 분석 데이터를 직접 투명하게 보여드립니다. 여러분의 현재 기억률, 마스터한 총 카드 수, 일일 복습 트렌드를 Neurako 대시보드에서 바로 확인하실 수 있어요. 저희의 목표는 여러분을 공부방에 더 오래 붙잡아 두는 것이 아닙니다. 더 적게 공부하면서도 더 많이 기억할 수 있도록 돕는 것이죠.
The Practical Takeaway
FSRS 대 SM-2의 비교는 레딧(Reddit) 스레드에서나 다루는 단순한 기술적 논쟁이 아닙니다. 공부하는 덱의 규모가 커질수록 여러분의 학습 시스템이 더 가볍게 느껴질지, 아니면 무거운 짐처럼 느껴질지를 결정하는 핵심 요소입니다.
카드를 직접 수동으로 만들 때도 더 정교한 스케줄링은 중요합니다. 하지만 AI 플래시카드 생성기를 사용해 사진, 텍스트, 음성에서 새 카드를 빠르게 만들어 낼 때는 스케줄링이 훨씬 더 중요해집니다. 복습 시스템이 지속 가능하게 유지될 때만 빠른 카드 생성 기능도 진짜 가치를 발휘할 수 있으니까요.
Should You Care About the Algorithm?
단순한 취미나 여행 전에 몇십 개의 단어를 외우는 정도라면 알고리즘은 그리 중요하지 않습니다. 하지만 의대 시험, 본격적인 외국어 습득, 전문 자격증, 변호사 시험(bar prep)처럼 진지하고 장기적인 학습 프로젝트를 진행하고 있다면 알고리즘이 성공의 전부를 좌우합니다.
SM-2와 FSRS의 차이를 1년 동안 매일 공부하는 시간으로 환산해 보면 무려 수백 시간에 달할 수 있습니다. 그 시간은 개념을 더 깊이 이해하거나, 연습 문제를 풀거나, 잠을 자거나, 여러분의 소중한 삶을 즐기는 데 쓰일 수도 있었던 시간입니다.
알고리즘은 invisible할 때 가장 훌륭하게 작동하는 법입니다. 그저 이전에 잊어버렸다고 생각했던 것들을 예상보다 훨씬 적은 노력으로 기억하고 있는 자신을 발견하게 될 뿐이죠.
그게 바로 FSRS가 하는 일입니다. 그리고 이것이 저희가 Neurako의 심장부 엔진으로 FSRS를 선택한 이유입니다.
References
- 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.
- Open Spaced Repetition community. (2023). ABC of FSRS. GitHub Wiki: open-spaced-repetition/fsrs4anki.
- Denicola, D. (2025, May). Spaced Repetition Systems Have Gotten Way Better. domenic.me.
- RemNote Help Center. (2024). The FSRS Spaced Repetition Algorithm.
- PyPI. (2026). fsrs package — py-fsrs v6.3.1.