主要观点：作者实现了 Anki 使用的 SM-2 算法，并对即将取代 SM-2 成为 Anki 默认调度器的 FSRS 算法进行了研究。FSRS 基于 3 组件模型（DSR 模型），通过训练 Anki 复习数据集的模型演化而来，旨在提高效率，相比 SM-2 减少 30%的复习时间。
关键信息：

• DSR 模型：由 retrievability（R）、stability（S）、difficulty（D）三个变量组成，R 是回忆记忆的概率，S 是 R 从 1 到 0.9 的时间，D 是回忆记忆的难度，R 在 t=0 时为 1。
• 主要循环：对当天到期的每张卡片，展示问题、用户回忆答案并评分，算法更新卡片的稳定性和难度值，计算下一次复习间隔并安排复习。用户自我评分（grade）有 4 种：forgot、hard、good、easy。
• Retrievability 计算：通过公式(R(t) = (1 + F\frac{t}{S})^C)计算，其中(F = \frac{19}{81})，(C = -0.5)。
• Review Intervals 计算：通过公式(I(R_d) = \frac{S(R_d^{(1/C)} - 1)}{F})计算，间隔随稳定性线性增长，不同的(R_d)值增长情况不同。
• Parameters：有 19 个学习参数，大部分用于特定角色，以数组形式保存。
• Stability 更新：首次复习时，初始稳定性为(S_0(G) = w_{G - 1})；成功复习时，根据不同情况通过一系列公式更新；失败复习时，公式不同且要确保稳定性不增加。
• Difficulty 更新：首次复习时，初始难度为(D_0(G) = w_4 - e^{w_5(G - 1)} + 1)；后续复习时，通过特定公式更新。
• The Simulator：通过模拟用户评级序列，计算卡片状态的变化，包括时间、稳定性、难度和下一次间隔。
  重要细节：
• 代码实现了 FSRS 算法的各个部分，包括各种函数的定义和计算。
• 提供了相关的参考资料，如Description of the algorithm和FSRS visualizer。