一个单词，你刚刚点过“认识”，几张卡片之后，它又回来了。另一个词，你已经好几天没见，软件却还不急着让你复习。
这两种安排，分别在回答两个问题：今天练到什么程度可以结束，下一次应该隔多久再见。
从艾宾浩斯的实验，到 Anki 使用的 FSRS，再到 LearnBit 的背词流程，复习安排一直在围绕这些问题演进。理解了它们，也就更容易理解：为什么一个词会反复出现，为什么不同词的复习时间不一样，以及每次点击“认识”究竟改变了什么。
艾宾浩斯留下的启发
1885 年，德国心理学家赫尔曼·艾宾浩斯发表了关于记忆的研究。他把自己当作实验对象，学习一串串无意义音节，再隔一段时间重新学习，观察记忆如何变化。
他采用了一个很巧妙的办法：不只问还能记住多少，还看重新学会能省多少功夫。
假如一组材料第一次学会用了 10 分钟，过一段时间再学，只需要 6 分钟，便节省了 40% 的学习时间。这种“节省量”，是经典遗忘曲线的重要测量依据。它并不等于“还能答对 40%”。
这些研究让人们更清楚地看到：记忆会随时间变化，遗忘往往在早期较快，之后趋缓。2015 年的一项复制研究，也观察到了与经典实验相近的总体趋势。1
但一个人学习无意义音节的曲线，不能直接变成所有人的统一课表。同样隔一天，你熟悉的词和第一次见到的词，表现就可能完全不同。
背词软件接下来要解决的，正是这个更具体的问题：对你来说，这一个词应该什么时候再复习？
从纸卡盒子到记忆模型
最容易理解的间隔复习工具，是莱特纳盒子法：把卡片放进不同盒子，答对的进入复习间隔更长的盒子，忘掉的回到需要频繁复习的位置。用纸卡也能实行。
计算机让这件事变得更细。SM-2 给每张卡片维护一个“容易程度”，根据回答调整后续间隔。它已经会区分不同卡片，而非给所有词安排同一张日历。2
此后，一类方法开始直接估计记忆状态。多邻国研究团队提出的半衰期回归模型 HLR，就是利用学习记录预测记忆表现的例子。3
| 方法 | 怎样安排复习 |
|---|---|
| 莱特纳盒子法 | 按卡片所在的盒子，决定复习频率 |
| SM-2 | 根据回答更新容易程度，再调整间隔 |
| 半衰期回归 HLR | 从学习记录估计记忆衰减的速度 |
| FSRS | 更新记忆状态，再结合目标保持率计算间隔 |
它们面对的是相同的取舍：复习太密，已经熟悉的词会占用时间；间隔太长，又会增加重新学习的负担。
FSRS 与 Anki 的关系
FSRS 的全称是 Free Spaced Repetition Scheduler，是一套开源的间隔重复调度算法。Anki 则是学习软件，FSRS 是它可以使用的调度算法之一。Anki 在 2023 年发布的 23.10 版本中集成了 FSRS。4
理解 FSRS，可以先抓住三个量：
难度 D：这个词对你来说有多难巩固。
稳定性 S：这段记忆有多耐久。
可提取率 R：距离上次复习过去一段时间后，现在还有多大概率想起来。
以 LearnBit 使用的 FSRS-6 为例，稳定性可以理解为：模型预测回忆概率降到 90% 时，所经过的天数。每次作答，模型都会结合此前状态、回答评分和时间间隔，更新对这个词的估计。5
于是，不同词可以有不同的复习节奏；同一个词，也会随着你后来的表现改变安排。
另一个重要设置叫“目标保持率”。例如设为 90%，就是以“下次到期复习时，预计有九成概率想起来”为目标来安排时间。把目标提高，通常就需要更频繁地复习。它体现的是记忆表现与学习时间之间的取舍。6
顺便澄清两个容易混淆的名字：SM-2 是另一套算法，FSRS v2 是 FSRS 的早期版本。 FSRS 后来继续迭代；看产品介绍时，算法名称、模型版本和软件版本需要分开理解。
LearnBit 怎样连接选词 巩固和复习
设计 LearnBit 的背词功能时，我们充分参考了扇贝单词、墨墨背单词、欧路背单词和不背单词的设计经验。这些产品在学习反馈、例句呈现和复习节奏上的积累，为 LearnBit 提供了许多启发。
我们把这些启发放进了一个围绕真实材料学习的流程：学习时主动收词，练习时分清掌握程度，之后持续安排复习。
先遇到一个值得记住的词
用 YouTube（油管）、Netflix 学英语，或者通过播客学英语，吸引你的往往先是内容：一段访谈、一个故事、一个想听懂的话题。遇到反复出现、影响理解，或者以后用得上的词，就是积累词汇的好时机。
LearnBit 将视频与播客学习、双语字幕、语境查词、听写、跟读和词汇复习连接起来，作为你的全能语言学习助手。看视频时对照字幕理解一句话，听播客时回放没听清的表达，再把值得记住的词收藏下来，让学习接着兴趣发生。
LearnBit 支持英语、中文、日语、韩语、法语、德语、西班牙语、意大利语、葡萄牙语（巴西）和俄语，共 10 种语言学习。选择自己的母语和想学的语言，就能从感兴趣的内容里积累词汇，把理解、练习和复习连起来。
收藏后的词会进入待学词池，再按每日学习设置安排进计划。这样，词汇练习可以从你正在接触的内容长出来：最近看技术访谈，就积累相关表达；正在听生活类播客，就把那些常听见却总是反应不过来的词留下。
更重要的是，收藏时可以一并保留当时的原句和来源。 复习时先尝试独立回忆，需要提示时，卡片会优先使用保存的原句；对于带有来源信息的视频或播客例句，还可以回到对应片段。
比如，你在一段访谈里遇到 unfamiliar 这个词。之后复习它时，可以重新看到它当时所在的句子，再听一遍说话人的表达。查词、收词、回到语境，由此接成了连续的学习过程。
你决定哪些词值得学，LearnBit 负责把这些词接入后续练习。
今天的巩固与未来的复习
一个刚查过意思的词，往往还需要在今天再遇见几次。与此同时，系统也需要为几天后的复习留下安排。
LearnBit 用两部分共同处理：
FSRS 更新长期记忆状态，计算未来的复习时间；本轮计分与重现队列，决定今天还需要继续练哪些词。
每次有效作答都会分别更新这两部分。即使这个词尚未完成本轮，它的回答也已经成为 FSRS 的反馈。
这种分工让两个需求都能得到照顾：新词在眼前这一轮里有充分的练习机会，之后也能继续按记忆状态安排复习。
三种作答表现分别处理
LearnBit 的练习会区分三种表现：没看提示就认识，借助例句提示才想起，以及仍然想不起来。
它们对应不同的本轮累计分：
| 作答表现 | 本轮累计分的变化 |
|---|---|
| 没看提示就认识 | 加 2 分 |
| 借助例句提示才想起来 | 加 1 分 |
| 没想起来，需要看答案 | 减 2 分，最低为 −1 |
新词与复习词都从 0 分开始。新词达到 4 分，复习词达到 2 分，就完成本轮。
比如，一个新词第一次无提示认识，分数从 0 到 2。隔开一些其他作答后，它再次出现；你仍能无提示认识，就到达 4 分，完成这一轮。
如果第一次没想起来，分数降到 −1，后面便需要更多成功回忆，才能越过门槛。
这样设计，是为了让“借助提示想起来”和“独立想起来”留下不同的反馈。看过答案的词会得到更多练习机会；已有学习基础的复习词，则可以用较少步骤完成这一轮。
不会的词稍后再回来
没过关时，你可以先继续练其他词。这个词会留在队列里，隔开若干次作答后再出现。
当前规则为不同表现设置了不同的目标间隔：没想起来的词，在 2–9 次后续作答中选一个位置；借助提示想起的词，范围是 4–19 次；无提示认识、但尚未过关的词，范围是 6–37 次。
范围内的位置由系统随机选取。未过关的词都会留下来，随机的是返回位置。 到队尾时，如果已经没有没练过的词，系统也会继续取出尚未完成的词，不必为了凑够间隔让你等待。
这让一次练习有了穿插的节奏：先离开刚看过的答案，练习其他内容，再回来尝试回忆；需要更多巩固的词，通常会更早返回。
对用户来说，不必自己记着“这个词等会儿再看”，也不必为每个词手动安排复习日期。把注意力放在当前这次回忆上，系统会接着安排后面的练习。
自己想起来也是学习的一部分
为什么要先尝试回忆，再看提示和答案？
因为“看到以后觉得熟悉”，和“暂时看不到答案，仍能自己想出来”，是两种不同的表现。
Karpicke 与 Roediger 在 2008 年发表的一项外语词汇实验中发现：一个词首次答对以后，继续进行提取练习，比只继续看词对更有利于一周后的回忆。7
在 LearnBit 里，每张卡片也会先留出独立回忆的机会，再按需展开提示和答案。没想起来的词，随后会得到更多练习。
想不起来时，可以直接承认；需要例句提示时，就使用提示。真实的反馈能让后续安排更贴合这次学习的表现。完成本轮后，未来的复习继续检验并更新这段记忆。
把今天遇到的词留到以后的表达里
背词软件能做的一件实在的事，是减少学习过程中那些容易断开的环节：查过的词没有留下，收藏的词没有再看，安排复习又需要自己反复惦记。
提升语言能力，可以从你本来就喜欢的内容开始。用油管学英语、听英语播客，把真实表达连同声音和语境一起留下，减少脱离语境的死记硬背。
从下一段视频、下一期播客里，挑几个真正想学的词，放进 LearnBit。用双语字幕和查词理解它，再通过听写、跟读与复习逐渐熟悉它，让今天遇见的表达，成为以后能用出来的语言。
参考资料
Murre, J. M. J., & Dros, J.（2015）. Replication and Analysis of Ebbinghaus’ Forgetting Curve. PLOS ONE. 论文
Wozniak, P. A. SuperMemo 2: Algorithm. 作者原始说明
Settles, B., & Meeder, B.（2016）. A Trainable Spaced Repetition Model for Language Learning. ACL. 论文
Anki. Changes in 23.10. 官方发布说明
Open Spaced Repetition. The Algorithm. FSRS 官方算法文档
Anki. Deck Options — FSRS. 官方使用文档
Karpicke, J. D., & Roediger, H. L. III.（2008）. The Critical Importance of Retrieval for Learning. Science. 论文
本文配图为 LearnBit 原创示意图。产品规则按 2026 年 11 月的实现整理。