FSRS-5 est-il disponible dans Anki ?

Oui. Depuis Anki 23.10, FSRS est intégré nativement et remplace SM-2 par défaut pour les nouveaux profils. Tu peux l'activer dans les options de deck → Algorithme de révision. L'optimisation des paramètres se fait depuis les Préférences Anki → Gestion des paramètres FSRS.

Qu'est-ce que l'ease hell dans SM-2 ?

L'ease hell désigne le phénomène où les cartes difficiles voient leur facteur de facilité (e-factor) progressivement réduit par des appuis répétés sur 'Difficile' ou 'À revoir', jusqu'à atteindre le plancher de 1.3. Ces cartes finissent par revenir tous les 2-3 jours indéfiniment, saturant les sessions de révision. SM-2 n'a pas de mécanisme de récupération de l'e-factor. FSRS n'a pas ce problème car la stabilité est calculée dynamiquement à chaque révision.

FSRS apprend-il vraiment de mon historique personnel ?

Oui, mais seulement si tu lances l'optimisation. Dans Anki, il faut déclencher 'Optimiser les paramètres FSRS' après avoir accumulé ~1000 révisions. Diane AI lance cette optimisation automatiquement en arrière-plan. Sans optimisation, FSRS utilise des paramètres par défaut issus d'un entraînement sur des millions de révisions — ce qui reste meilleur que SM-2, mais pas encore personnalisé.

SM-2 est-il encore utile en 2026 ?

Pour de nouveaux projets, non. FSRS-5 le surclasse sur tous les benchmarks mesurables. SM-2 reste pertinent uniquement si tu as une base de cartes Anki très ancienne avec un historique de révisions important que tu ne veux pas perdre, ou si tu utilises un logiciel legacy qui ne supporte pas FSRS.

Quelle est la différence entre FSRS-4.5 et FSRS-5 ?

FSRS-5 (2024) introduit un paramètre supplémentaire pour modéliser la décroissance de la récupération à court terme, et améliore la précision de prédiction sur les révisions intra-day. Le gain de performance par rapport à FSRS-4.5 est modeste (~2-3% de précision supplémentaire), mais l'architecture est plus propre. Diane AI utilise FSRS-5 par défaut.

Diane AI utilise-t-elle vraiment FSRS-5 ?

Oui. Diane AI implémente FSRS-5 nativement côté serveur. L'intervalle de chaque carte est calculé à partir de ta stabilité mémorisée, de ta difficulté et de ta retrievability cible (90% par défaut). L'algorithme s'adapte à ton rythme de révision réel au fil des semaines.

Comparatif13 mai 2026· 10 min de lecture

FSRS-5 vs SM-2 : le comparatif technique des algorithmes de répétition espacée

SM-2 ou FSRS-5 ? Comparatif technique complet : modèle mémoire, ease hell, personnalisation, benchmark Expertium 700M reviews. FSRS-5 réduit les révisions de 25% à rétention identique.

1. SM-2 vs FSRS-5 : le verdict en 30 secondes

SM-2 (Wozniak, 1987) a dominé la répétition espacée pendant 35 ans. FSRS-5 (Anderson & Ye, 2022-2024) l'a rendu obsolète sur presque tous les critères mesurables.

SM-2 (SuperMemo, 1987)

Algorithme à règles statiques, paramètres globaux, facteur de facilité fixe.

E-factor global (pas de modèle par carte dynamique)
Intervalles calculés par règles fixes
Ease hell : plancher e-factor à 1.3 irréversible
Aucune personnalisation automatique
Précision de rétention ±15% sur les benchmarks

FSRS-5 (2022-2024)

Modèle neuronal différentiable, 3 paramètres par carte, apprentissage de l'historique.

Stabilité + Difficulté + Retrievability par carte
Loss function minimisée sur ton historique réel
Zéro ease hell : stabilité recalculée dynamiquement
Optimisation personnalisée sur 1000+ révisions
Précision de rétention ±5% sur les benchmarks

Verdict : FSRS-5 réduit le nombre de révisions quotidiennes de ~25% pour une rétention identique à 90%. Si tu utilises encore SM-2 aujourd'hui, tu fais plus de révisions qu'il n'en faut.

2. Comment SM-2 fonctionne (et pourquoi ça coince)

Piotr Wozniak a publié SM-2 en 1987 dans un contexte où les ordinateurs personnels avaient 640 Ko de RAM. L'algorithme devait être léger, calculable à la main, et fonctionner sans historique détaillé.

Le principe est simple : chaque carte a un e-factor (facteur de facilité), initialisé à 2.5. Après chaque révision, tu notes ta réponse de 0 à 5. L'intervalle suivant est calculé ainsi :

Révision 1 → 1 jour
Révision 2 → 6 jours
Révision n → intervalle(n-1) × e-factor

L'e-factor se met à jour selon la note : si tu appuies sur "difficile" (note < 3), l'e-factor descend. S'il atteint 1.3 (plancher), la carte revient tous les quelques jours pour toujours, peu importe combien de fois tu la révises correctement.

C'est l'ease hell. Un terme inventé par la communauté Anki pour désigner le phénomène où un deck "difficile" accumule des centaines de cartes coincées à e-factor 1.3, qui saturent les sessions de révision sans jamais progresser vers des intervalles longs.

SM-2 a un autre défaut structurel : ses paramètres sont globaux. L'algorithme applique les mêmes règles à toutes tes cartes, quel que soit ton profil mémoriel personnel. Un étudiant en médecine qui révise 500 cartes par jour et un élève de lycée qui révise 20 cartes reçoivent les mêmes intervalles calculés selon les mêmes formules.

Les 3 variables clés de la mémoire (modèle DSR)

FSRS repose sur le modèle DSR (Difficulty-Stability-Retrievability), formalisé par Averell & Heathcote (2011) et implémenté par Jarrett Ye (2022) :

Stabilité (S) : durée pendant laquelle ta mémoire reste au-dessus du seuil de récupération. Une carte stable = intervalles longs possibles.
Difficulté (D) : propriété intrinsèque de la carte, indépendante du moment de révision. Modifiée lentement au fil du temps.
Retrievability (R) : probabilité de te souvenir de la carte maintenant, en fonction du temps écoulé depuis la dernière révision et de S.

SM-2 n'implémente aucun de ces trois concepts explicitement. L'e-factor est une approximation grossière de D, et les intervalles sont une approximation de S. R n'existe pas dans SM-2.

3. Pourquoi FSRS-5 surclasse SM-2 : 4 raisons techniques

1. Modèle mémoire fondé sur la science

FSRS-5 implémente les équations de décroissance de la mémoire basées sur le modèle DSR. Chaque carte a sa propre Stabilité, Difficulté et Retrievability calculées précisément. SM-2 utilise un e-factor unique par carte sans base théorique rigoureuse.

2. Personnalisation sur ton historique

FSRS-5 optimise ses 17 paramètres internes sur ton historique personnel via une descente de gradient. L'algorithme apprend littéralement comment ta mémoire fonctionne. SM-2 utilise les mêmes constantes pour tout le monde, définies par Wozniak en 1987.

3. Zéro ease hell

Dans FSRS-5, la Stabilité est recalculée à chaque révision selon ton résultat réel. Une carte difficile ne reste pas coincée indéfiniment : si tu l'apprends correctement, sa Stabilité augmente et son intervalle s'allonge. L'e-factor plancher de SM-2 n'existe pas.

4. Optimisation par loss function

FSRS-5 minimise une fonction de perte qui mesure l'écart entre la retrievability prédite et le résultat observé (souvenir / oubli). C'est une approche de machine learning classique. SM-2 ajuste ses paramètres avec des règles if/then définies manuellement il y a 37 ans.

Le point 4 mérite d'être développé. SM-2 est fondamentalement un système expert à règles : si la note est ≥ 4, augmente l'e-factor de 0.1. Si la note est < 3, diminue l'e-factor de (0.8 - 0.28 × q + 0.02 × q²). Ces règles ont été calibrées par Wozniak sur ses propres données personnelles.

FSRS-5 prend le problème autrement : il définit une architecture de réseau différentiable, initialise des paramètres par défaut entraînés sur des millions de révisions anonymes, puis les affine sur tes données personnelles. C'est pourquoi FSRS s'améliore avec le temps là où SM-2 stagne.

4. Le benchmark Expertium : 700 millions de révisions

Expertium a publié en 2023-2024 une analyse comparative des algorithmes de répétition espacée sur un dataset de 700 millions de révisions Anki anonymisées. C'est le benchmark public le plus rigoureux disponible à ce jour.

Les métriques utilisées sont :

Log-loss : à quel point l'algorithme prédit correctement si tu vas te souvenir ou oublier une carte
RMSE (Root Mean Square Error) sur la rétention prédite vs observée

Résultats principaux du benchmark :

| Algorithme | Log-loss | RMSE rétention | |---|---|---| | SM-2 | 0.354 | 16.2% | | FSRS-4.5 | 0.298 | 6.1% | | FSRS-5 | 0.291 | 5.3% |

Ce que ça signifie concrètement : pour maintenir une rétention cible de 90%, FSRS-5 programme les bonnes révisions au bon moment avec une précision de ±5.3%. SM-2 dévie de ±16.2%. Cette imprécision se traduit par des révisions trop fréquentes sur les cartes faciles (gaspillage de temps) et des oublis sur les cartes dont l'intervalle est sous-estimé.

L'auteur d'Expertium a également calculé l'impact sur le volume de révisions : avec FSRS-5 optimisé, on observe en moyenne ~25% de révisions en moins par jour pour une rétention identique à 90%. Sur un deck de 2000 cartes avec 100 révisions quotidiennes sous SM-2, cela représente ~25 révisions économisées chaque jour — soit environ 15 minutes.

Ce que dit Anki officiellement

Depuis la version 23.10, Anki recommande FSRS comme algorithme par défaut et indique dans sa documentation officielle : "FSRS can improve memory efficiency, allowing you to remember more with fewer reviews." La migration est automatique pour les nouveaux profils.

“Cette application me fait gagner énormément de temps dans mes révisions et surtout les fait devenir concrète et active ! Les fiches qu'elle crée sont synthétiques tout en n'oubliant rien, les flashcards sont pertinentes.”

tinitoumasun, App Store · 5★ · janvier 2026

5. Quel algorithme choisir selon ton cas ?

La réponse est presque toujours FSRS-5. Voici les quelques exceptions réelles :

Tu gardes SM-2 si :

Tu utilises un logiciel legacy (SuperMemo < v16, ou des plugins Anki très anciens) qui ne supporte pas FSRS
Tu as un historique de révisions SM-2 sur plusieurs années que tu ne veux absolument pas perturber — dans ce cas, migre progressivement

Tu passes à FSRS-5 si :

Tu démarres un nouveau deck (aucune raison de commencer avec SM-2 en 2026)
Tu souffres d'ease hell (cartes coincées à e-factor 1.3 qui ne progressent plus)
Tes sessions de révision durent plus longtemps que prévu sans progrès perceptible
Tu veux des intervalles adaptés à ton profil mémoriel personnel

Diane AI te simplifie le choix : FSRS-5 est actif par défaut, sans configuration nécessaire. L'optimisation des paramètres se lance automatiquement en arrière-plan au fil de tes révisions. Tu n'as pas à choisir entre l'algorithme et l'utilisation de l'app — c'est géré.

Pour aller plus loin sur les fondamentaux théoriques, consulte notre guide sur la répétition espacée, notre page dédiée à la méthode FSRS, ou le comparatif des alternatives à Anki si tu hésites encore entre les outils.

Et si tu veux comprendre pourquoi la récupération active en parallèle de FSRS est ce qui fait vraiment la différence, lis aussi notre guide sur l'active recall.

6. Questions fréquentes

Révise plus intelligemment avec FSRS-5

Diane AI utilise FSRS-5 par défaut. Crée tes flashcards en quelques secondes et laisse l'algorithme optimiser tes révisions automatiquement.

Essayer Diane AI gratuitement