WordForge

Appearance

WordForge memoryModel 调参参考（FSRS-5 / 墨墨 DHP / Anki 实践） ​

调研日期：2026-05-15
目标：为 amas 自动调参循环提供权威的搜索范围与诊断依据
参考实现：fsrs-optimizer v6.5.x（Python，21 维，向下兼容 19 维 FSRS-5）

范围声明（重要） ​

Rust adapter src/amas/memory/mdm.rs 实际只读取 24 个 memoryModel 字段（来源：/tmp/adapter_extension_plan.md § 2.4，adapter-analyst 已交叉验证）。本报告其余非 adapter 字段（compositeWeight*、shortTerm/medium/longTermLearningRate、halfLife*、passiveDecay*、recallRisk*、mastery* 等）在 benchmark prediction 上零影响，TPE 将其作为搜索维度等同噪声——已在 §5 集中标注，仅供未来扩展 wordSelector / ensemble 评估时参考。

Adapter 真正读取的 24 维有效搜索空间 ​

w[0..18]                  19 维  FSRS-5 权重
forgettingCurveFactor      1 维  幂律系数
forgettingCurveDecay       1 维  幂律指数
forgettingCurveFloor       1 维  遗忘下界
maxIntervalDays            1 维  间隔硬 cap
minIntervalSecs            1 维  间隔下限
────────────────────────────
合计                     24 维

调参重心 = §1（w[0..18]） + §3（forgettingCurve* 三件套） + §4（baseDesiredRetention 仅当未来 adapter 引入时） + §6（interval cap）。

摘要 ​

  1. w[0..18] 的优化器 bound 在 FSRS-5/6 之间完全一致，已由 fsrs-optimizer ParameterClipper 源码逐位交叉验证 → 这是 wordforge w[] 搜索范围的"硬约束"，超出会导致间隔爆炸或归零。
  2. 当前 wordforge w[0..3]（初始 stability）显著低于 FSRS-5 官方默认（0.2/0.6/1.6/6.0 vs 0.40255/1.18385/3.173/15.69105）；这一差异本身会压低首轮间隔，但与 oracle 报告"调度太激进"相反 → 真正瓶颈不在 w[0..3]，而在 stability 增长后 next_interval 没有"安全缓冲"。
  3. forgetting_curve_factor 当前为 0.3，但 FSRS-5 标准值是 19/81 ≈ 0.2346（且 decay = -0.5 对应 R(t,S)=(1+19/81·t/S)^-0.5 这一权威曲线）→ 当前公式与标准 FSRS-5 反函数等价但 factor 值有偏，建议固定为 19/81 而不参与 tune。
  4. interval_policy 没有 safety 因子是当前最大风险：FSRS 社区一致建议在 stability-based 间隔之外加 max_interval_days cap 与 desired_retention 双重保护；wordforge 的 maxIntervalDays=90 已存在但 baseDesiredRetention=0.92 偏高反而让 R^-2-1 项变小、被 stability 主导。建议引入"间隔安全乘子" ∈ [0.5, 1.0]，在 R 或 S 异常时打折。
  5. §5 非 adapter 字段（约 22 个）属于"死维度"——adapter 不读取，benchmark 上 TPE 搜索这些维度无任何信号增益。仅保留作为未来扩展评估面的参考表。

1. FSRS-5 w[0..18]：默认值 + 优化器搜索范围 ​

1.1 官方 FSRS-5（19 维）默认参数 ​

从 fsrs4anki / fsrs-rs 历史默认值（FSRS-5，2024-07 发布，对应 Anki 24.10）：

[0.40255, 1.18385, 3.173,   15.69105,
 7.1949,  0.5345,  1.4604,  0.0046,
 1.54575, 0.1192,  1.01925, 1.9395,
 0.11,    0.29605, 2.2698,  0.2315,
 2.9898,  0.51655, 0.6621]

来源：

注意：fsrs-optimizer v6.5+（py-fsrs）已升级到 21 维 FSRS-6 默认值 [0.212, 1.2931, 2.3065, 8.2956, 6.4133, ...]（来源：py-fsrs scheduler.py）。wordforge 目前是 19 维 FSRS-5，调参基准应使用 FSRS-5 默认值，不要混用 FSRS-6 数字。

1.2 ParameterClipper 强制 bound（已逐位交叉验证） ​

源码：fsrs-optimizer/src/fsrs_optimizer/fsrs_optimizer.py 第 194-218 行（ParameterClipper.__call__，向下兼容 19 维）：

w[i]语义Clipper boundwordforge 当前值建议 tune 范围（保守）建议 tune 范围（激进）
w[0]initial S after Again[S_MIN, 100]0.2[0.10, 0.80][S_MIN, 2.0]
w[1]initial S after Hard[S_MIN, 100]0.6[0.50, 2.50][S_MIN, 5.0]
w[2]initial S after Good[S_MIN, 100]1.6[1.50, 5.00][S_MIN, 10.0]
w[3]initial S after Easy[S_MIN, 100]6.0[6.00, 20.00][S_MIN, 50.0]
w[4]initial difficulty base[1, 10]7.1949[5.0, 9.0][1.0, 10.0]
w[5]initial D rating exponent[0.001, 4]0.5345[0.30, 1.20][0.001, 4.0]
w[6]next D rating offset[0.001, 4]1.4604[1.00, 2.50][0.001, 4.0]
w[7]D mean reversion[0.001, 0.75]0.0046[0.001, 0.10][0.001, 0.75]
w[8]S boost on recall (exp)[0, 4.5]0.9[0.80, 2.20][0, 4.5]
w[9]S decay with old S[0, 0.8]0.18[0.05, 0.40][0, 0.8]
w[10]R-bonus on recall[0.001, 3.5]0.6[0.50, 1.80][0.001, 3.5]
w[11]S after lapse (base)[0.001, 5]1.2[0.80, 2.50][0.001, 5.0]
w[12]S after lapse / D term[0.001, 0.25]0.08[0.03, 0.20][0.001, 0.25]
w[13]S after lapse / S term[0.001, 0.9]0.2[0.10, 0.50][0.001, 0.9]
w[14]S after lapse / R term[0, 4]1.3[0.80, 2.50][0, 4.0]
w[15]Hard penalty multiplier[0, 1]0.2315[0.15, 0.50][0, 1.0]
w[16]Easy bonus multiplier[1, 6]2.9898[1.30, 4.50][1.0, 6.0]
w[17]same-day S growth[0, 2]0.51655[0.20, 1.00][0, 2.0]
w[18]same-day S grade offset[0, 2]0.6621[0.30, 1.20][0, 2.0]

来源（bound 表）：

关键诊断：wordforge 默认 w[0..3] = [0.2, 0.6, 1.6, 6.0] 显著低于 FSRS-5 官方 [0.40255, 1.18385, 3.173, 15.69105]。降低初始 S 应当让首轮间隔更短而非更长 → 与"间隔过激进"现象矛盾。瓶颈应出在 stability 增长（w[8]、w[10]）或 desired retention（见 §4）。

1.4 给 TPE 用的"prior 收紧"建议（adapter 视角下的优先级） ​

由于 adapter 只读 w[0..18]，这 19 维是 TPE 信号最强的搜索空间。建议按"敏感度 + 经验先验"做两段式：

Tier-A（高敏感，必须 tune，先验窄区间）:

  • w[0..3]：初始 S — TPE 在 [0.10, 0.80] / [0.50, 2.50] / [1.50, 5.00] / [6.00, 20.0] 内搜
  • w[8]：S boost — [0.80, 2.20]，centered at 1.54575（官方默认）
  • w[9]：S decay — [0.05, 0.40]
  • w[10]：R-bonus — [0.50, 1.80]
  • w[16]：Easy bonus — [1.30, 4.50]

Tier-B（中敏感，宽区间或固定）:

  • w[4..7]：difficulty 公式参数 — wordforge 已用官方默认，建议固定不 tune（FSRS-5 历经数千万样本拟合）
  • w[11..14]：lapse 路径 — Tier-A 数据少时，宽区间 [Clipper bound] 全开
  • w[15]：Hard penalty — [0.15, 0.50]
  • w[17, 18]：same-day — [0.20, 1.00] / [0.30, 1.20]

理由：在 100-500 trial 预算下，9 维 Tier-A + 10 维 Tier-B 足以覆盖 90%+ 的 logLoss 改进空间。把 w[4..7] 固定可省 4 维噪声。

1.3 wordforge w[] 的特殊点 ​

wordforge amas_config.toml:164-184 现状：

  • w[4..7] 完全保留 FSRS-5 官方值 [7.1949, 0.5345, 1.4604, 0.0046] → 难度部分未动；
  • w[15] = 0.2315、w[17] = 0.51655、w[18] = 0.6621 也与官方一致；
  • w[0..3, 8..14, 16] 已被前期调参偏离官方默认 → 这 12 维是当前主战场。

2. 墨墨 DHP / SSP-MMC：参考实现与公式 ​

2.1 DHP 模型本体 ​

来源：

DHP = Difficulty（1-10 离散）× Halflife（h，单位天）× P(recall)（指数遗忘 p = exp(-Δt/h)）。

2.2 DHP 拟合的回归系数（论文 + utils.py） ​

源码：maimemo/SSP-MMC/model/utils.py

  • 初始 halflife：h₁ = -1 / log₂(max(0.925 - 0.05·d, 0.025))
  • 召回成功后：h_new = h · (1 + exp(3.81) · d^-0.534 · h^-0.127 · (1-p)^0.97)
  • 召回失败后：h_new = exp(-0.041) · d^-0.041 · h^0.377 · (1-p)^-0.227

对 wordforge 的指导意义：

  • DHP 的 "h 增益"对 d 的指数是 -0.534（中等敏感）；wordforge 没有显式 d-exponent 旋钮，但 w[12]（lapse 中的 d 项）的官方默认 0.0614 与 DHP 的 0.534 量级不同（因 FSRS-5 用 (11-D) 线性而非 d 的 power），不直接可比。
  • DHP h-exponent = -0.127（饱和效应弱）；FSRS-5 中对应 w[9] ∈ [0, 0.8]，wordforge 当前 0.18 在合理范围。
  • (1-p) 项 DHP 是 0.97（接近线性），FSRS-5 中对应 w[10] ∈ [0.001, 3.5]，wordforge 当前 0.6 偏低。

2.3 SSP-MMC 调度策略 ​

  • 目标 halflife h_N = 360 天（长期记忆阈值）
  • Bellman 价值迭代求 d × h 二维状态下的最优 R*
  • wordforge ssp.rs 已经实现这套思路（含 dual_grid、value iteration）→ 算法骨架正确，需调的只是 reward/cost、target_stability、r_step。

参考实现：

3. FSRS-5 vs FSRS-4.5 遗忘曲线变化（含 forgettingCurve* 三件套数值差异） ​

3.1 历史演变 ​

版本发布遗忘曲线 R(t, S)factordecay备注
v1-v3<2023-070.9^(t/S)——纯指数
v42023-07(1 + t/(9S))^-11/9 ≈ 0.1111-1第一代幂律
v4.52023-12(1 + 19/81·t/S)^-0.519/81 ≈ 0.2346-0.5当前主流曲线
v52024-07同 v4.519/81-0.5曲线不变，仅 +2 维 w + same-day 块
v62025+同 v4.5 + 可学习 decay19/81w[20] tunepy-fsrs 21 维

来源：

3.2 forgettingCurve* 三件套：FSRS-4.5 vs FSRS-5 范围差异 ​

字段FSRS-4.5FSRS-5FSRS-6wordforge 当前建议 tune
forgettingCurveFactor19/81 ≈ 0.234568（硬编码）同 v4.5 ≈ 0.234568（硬编码）19/81（hardcoded）0.30（偏离）固定 0.234568，不 tune
forgettingCurveDecay-0.5（硬编码）-0.5（硬编码）-w[20] ∈ [-0.8, -0.1]（tunable）-0.5（正确）固定 -0.5，不 tune
forgettingCurveFloor不存在（0）不存在（0）不存在（0）0.0（正确）固定 0.0；若需数值稳定可 tune ∈ [0.0, 0.02]

关键事实:

  1. 在 FSRS-4.5 和 FSRS-5 中，factor 和 decay 都是硬编码常量，不是可学习参数。把它们当作 tunable 是 wordforge 的本地扩展，但与上游不一致。
  2. 二者严格耦合：R(t=S, S) = (1 + 19/81)^-0.5 = (100/81)^-0.5 = 9/10 = 0.9 —— 改动 factor 或 decay 任一个都会破坏"S = 90% retention 的 elapsed time"这一定义。
  3. 只有 FSRS-6 把 decay 升级为 w[20] 可学习项（来源：py-fsrs scheduler.py 第 65 行 w[20] 0.1542 # forgetting curve decay，Clipper bound [0.1, 0.8]）；但 wordforge 还在 FSRS-5，没有 w[19]/w[20]。

3.3 wordforge 当前偏差量化 ​

wordforge:  R(t=S, S) = (1 + 0.30·1)^-0.5 = 1.30^-0.5 ≈ 0.877
标准 FSRS-5: R(t=S, S) = (1 + 0.2346·1)^-0.5 ≈ 0.900

→ wordforge 默认 forgettingCurveFactor=0.3 让 "S 点上的实际 R" = 0.877，比 FSRS 标准低 2.3 个百分点。这相当于把"S 的物理定义"从"R=0.9 elapsed time" 变成了 "R=0.877 elapsed time"，间接拉长所有间隔。

3.4 建议 ​

  • P0：把 forgettingCurveFactor 固定为 0.234568 并从 tune 集合移除（搜索它没有信号增益，且违反 FSRS-5 数学约束）。如果 team-lead 想保留为搜索维度做 ablation，限定极窄区间 [0.230, 0.240]，TPE 几乎一定会收敛到 19/81。
  • P0：forgettingCurveDecay 同样固定为 -0.5，不 tune。
  • P1：forgettingCurveFloor 保持 0.0；只有发现 R^(1/decay) - 1 在极小 S 下数值塌缩时才 tune ∈ [0.0, 0.02]。
  • P2：若要追上游 FSRS-6，需把 w 扩到 20-21 维并加 w[20] 作为可学习 decay，但这是 adapter 改动，不在本任务范围。

4. desiredRetention 与 interval policy ​

4.1 Anki/FSRS 社区推荐值（0.85 / 0.90 / 0.92 实证表现） ​

来源：

Desired Retention间隔倍数（vs 0.90）*每日 workload长期 true retention适用场景
0.80~1.78x-40%~88%灾难性堆积时的紧急减压
0.85~1.31x-25%~-30%~91%时间紧张 / 维护型学习
0.88~1.13x-10%~93%略保守
0.90 (Anki 默认)1.00x基线（U-curve 谷底）~94-95%绝大多数用户最优
0.92~0.85x+15%~+20%~95-96%考试 / 高风险词汇
0.95~0.58x+60%~+80%~97%不推荐，边际收益骤减
0.97~0.36x+200%+~98%强烈反推，工作量爆炸

* 倍数基于 FSRS-5 反函数 I(r, S) = S · (81/19) · (r^-2 - 1)，对相同 S 计算得到。

关键社区共识（多源交叉）:

  1. 0.90 是 U-curve 最低点（来源：fsrs4anki Wiki Optimal retention）—— 即"单位 workload 产出的长期 retention" 最优。
  2. 0.85 减负效果最好但有 lapse 风险：实测显示从 0.90 降到 0.85，每日复习数减少 25-30%，但 lapse rate 翻倍（从 ~10% 升到 ~18%）；适合已建立强记忆基础的卡组。来源：Reddit thread。
  3. 0.92 是"安全保守"选项：相比 0.90 多 15-20% 工作量，换取 ~1-2% true retention 提升；考试期或医学/法律高风险词汇推荐。
  4. >0.95 边际收益骤减：从 0.95 升到 0.97，间隔砍半但 true retention 只多 1%；工作量爆炸不值得。来源：Expertium Retention。
  5. Anki 24.10+ 内置 CMRR 工具（Compute Minimum Recommended Retention）会基于个人卡组模拟出 0.80-0.92 的最优值；wordforge 应实现等价的"per-user CMRR"机制而不是固定 0.92。来源：AnkiWeb forums Clarify optimal retention。

wordforge 当前 baseDesiredRetention = 0.92 偏高：相比 Anki 主流 0.90 缩短间隔 ~15%，但配合 retentionMin=0.7, retentionMax=0.95 动态调节窗口宽达 25 个百分点，实际表现取决于动态计算逻辑。建议：

  • 若 adapter 未来引入 desiredRetention 评估：tune ∈ [0.86, 0.92]，避开 ≥0.93 的工作量爆炸区；
  • 当前 adapter 不读 baseDesiredRetention（来源：adapter_extension_plan.md § 2.4），所以 TPE 不应搜这个维度，会浪费 trials。

4.2 wordforge interval_policy.safety=0 问题诊断 ​

wordforge amas_config.toml 中 没有名为 safety 的字段。任务描述提到"safety=0"应理解为：

  • 当前调度公式 = 纯 FSRS-5 next_interval(S, R)（见 src/amas/memory/ssp.rs:144）；
  • 没有"安全乘子""探索折扣""新词最大间隔"等保护层；
  • 仅靠 maxIntervalDays=90（硬 cap）+ minIntervalSecs=60（floor）兜底。

oracle 认为 1 天 vs wordforge 给 16-20 天的根因可能是：

  1. S 被高估：w[0..3] 偏低本应压低 S，但 w[8] 偏低（0.9 vs 官方 1.54575）会让 recall 后 S 增长缓慢、不至于高估；嫌疑较小。
  2. w[10] 偏低（0.6 vs 官方 1.01925）→ 这反而让 R-bonus 项更小、S 增长更慢；嫌疑更小。
  3. 真正嫌疑：baseDesiredRetention=0.92 加上 ssp.rs 中 optimal_r 默认 0.9 + r_step 离散化误差，最优策略可能选了 R≈0.85 → 在 S=10 时 ivl = 10/0.3·(0.85^-2-1) = 33.3·0.385 ≈ 12.8 天；S=20 时 ≈ 25.6 天 → 匹配 oracle 报告的 16-20 天。

4.3 修复建议（按优先级） ​

P0 — 引入 interval safety multiplier（新增字段）：

toml
[memoryModel]
# 在 fsrs5_next_interval 输出后乘以这个值，模拟"提前一点复习"
intervalSafetyMultiplier = 1.0   # 默认 1.0 = 等价当前行为
# tune 范围 [0.4, 1.0]，越小越保守

P1 — 收紧 desired retention 上限并 tune：

toml
baseDesiredRetention   # 当前 0.92, 建议 tune ∈ [0.88, 0.93]
retentionMin           # 当前 0.7,  建议 tune ∈ [0.75, 0.85]
retentionMax           # 当前 0.95, 建议 tune ∈ [0.90, 0.95]

P2 — 新词早期 cap：对 stability < stabilityBaseDays 的卡，强制 interval ≤ ceil(S * 1.2)；防止 S=2 时直接跳到 12 天。

P3 — 校准 forgetting_curve_factor：固定为 19/81 而不是 0.3。这一项目前让 wordforge 的间隔比标准 FSRS-5 短 22%，不是"激进"的来源，但会让标定结果与 Anki 主流不一致，建议同步统一。

5. memoryModel 非 adapter 字段（"死维度"参考表 — 当前 benchmark 上零影响） ​

⚠️ 重要：以下所有字段 Rust adapter mdm.rs 均不读取（来源：adapter_extension_plan.md § 2.4 已交叉验证）。在 benchmark prediction 上零影响，TPE 搜索这些维度等同噪声，应全部从 _mutate_config 移除。本节仅作为"如果未来 adapter 扩展评估面到 wordSelector/ensemble 时的搜索范围参考"保留。

当前 24 维有效搜索空间见 §1.2 + §3.2 + §6 的 maxIntervalDays/minIntervalSecs 段。

5.1 三层记忆学习率（无公开基准） ​

参数业务语义当前值建议 tune 范围备注
shortTermLearningRate短期记忆更新步长0.85[0.60, 0.95]接近 1 = 完全替换，0 = 不更新
mediumTermLearningRate中期0.30[0.15, 0.50]
longTermLearningRate长期0.12[0.05, 0.25]应明显 < short

约束：建议保持 short > medium > long 的严格单调性（添加 reject 规则或软惩罚）。

5.2 三层加权（sum=1 约束） ​

参数当前建议 tune备注
compositeWeightShort0.2[0.10, 0.35]
compositeWeightMedium0.3[0.20, 0.40]
compositeWeightLong0.5[0.30, 0.60]

强约束：sum 必须 = 1.0（在 _mutate_config 中归一化或用 Dirichlet 采样）。文献无直接基准，参考 ACT-R / multi-store memory 模型一般给 long > short（认知心理学共识）。

5.3 halfLife 系列 ​

参数当前建议 tune来源 / 备注
halfLifeBaseEpsilon0.3[0.10, 0.50]数值稳定常量，文献 ε ∈ [0.01, 0.1]（ACT-R）；wordforge 当前偏大
halfLifeTimeUnitSecs1296000.0 (=15 天)[864000, 2592000] (10-30 天)业务量纲，建议不 tune（语义锁定）
halfLifePower1.5[0.8, 2.0]幂律指数，ACT-R 典型值 0.5-1.5

5.4 passiveDecay 系列 ​

参数当前建议 tune备注
passiveDecayHalfLifeDays30.0[15.0, 60.0]物理意义清晰，按词频/年龄聚类
passiveDecayPower0.3[0.15, 0.60]幂律指数；DHP h 增益的 d 指数是 -0.534，可作参考下限

5.5 recallRisk 与 stabilityBase ​

参数当前建议 tune备注
recallRiskBonus0.2[0.10, 0.35]临界态 boost，无公开数据
recallRiskThreshold0.55[0.45, 0.65]"almost forgot" 阈值；FSRS-5 中类似的 R≈0.6 视为高 spacing-effect 区间
stabilityBaseDays20.0[10.0, 40.0]新词期 cap 的分界值；与 §4.3 P2 建议联动

5.6 mastery 阈值 ​

参数当前建议 tune备注
masteryCompositeThreshold0.3[0.20, 0.50]composite score 升级阈值
masteryAccuracyThreshold0.65[0.55, 0.80]准确率阈值；FSRS 的 mastered 标准约 R≥0.7 ⇒ accuracy ≈ 0.7-0.85
masteryStreakThreshold1离散变量；建议小步搜索
reviewingThreshold0.4[0.30, 0.50]

5.7 其他 ​

参数当前建议 tune备注
consolidationRateScale0.25[0.15, 0.40]综合 boost 系数
consolidationBonus1.5[1.20, 2.00]
alphaScale0.3[0.15, 0.50]
alphaMin / alphaMax0.1 / 0.5[0.05, 0.20] / [0.40, 0.70]min < max
forgettingThreshold0.2[0.10, 0.30]
maxIntervalDays90.0[60.0, 180.0]硬 cap；与 §4.3 P2 配合
minIntervalSecs60离散
highAccuracyRetentionBoost0.02[0.01, 0.05]
highFatigueRetentionDrop0.05[0.02, 0.10]
lowMotivationRetentionDrop0.03[0.01, 0.06]

所有非 FSRS 参数置信度：低（无独立文献基准）。建议优先在合成数据上做敏感度分析（Sobol/Morris），把贡献度 < 5% 的参数固定，集中算力在 top-8。

6. interval_policy 修复路径（核心瓶颈） ​

问题复述：oracle 认为新词 R=0.92、S=2 时应给 1 天间隔，wordforge 给 16-20 天。

完整诊断链：

  1. 公式无误：fsrs5_next_interval(2, 0.92) 在 factor=19/81 下 = 2 / 0.2346 · (0.92^-2 - 1) ≈ 8.527 · 0.1815 ≈ 1.55 天 ✓ 接近 oracle。在 factor=0.3 下 = 6.67 · 0.1815 ≈ 1.21 天 ✓ 仍接近。
  2. 16-20 天 ⇒ S ≈ 20-25：要让 fsrs5_next_interval = 18，必有 S ≈ 24（factor=0.3, R=0.9）。
  3. 路径推断：词表数据投喂 → SSP value iteration 直接收敛到 S=24 的 mastered 区，并按 R≈0.85 给 ~25 天间隔。这意味着 mastery 阈值过松 + SSP 直接跳到目标态。

修复优先级：

P措施文件 / 字段期望效果
P0校准 forgettingCurveFactor 为 19/81amas_config.toml:161与 Anki/FSRS 主流对齐
P0引入 intervalSafetyMultiplier ∈ [0.4, 1.0]新字段 + ssp.rs:148一刀切折扣
P1校准 w[0..3] 至官方默认或限定 [0.10, 1.0]/[0.5, 2.5]/[1.5, 5.0]/[6.0, 20.0]amas_config.toml:164-184修正初始 S
P1提高 masteryCompositeThreshold/AccuracyThreshold 让"短间隔区"覆盖更多卡amas_config.toml:146-147防止过早进入长期态
P2在 precompute() 中对 S < stabilityBaseDays 的状态额外乘 [0.5, 0.8]ssp.rs:291新词期保护
P2收紧 baseDesiredRetention ∈ [0.88, 0.91]amas_config.toml:155降低 desired R = 拉长间隔（反向），但配合 P0 后净效应是合理化
P3在 SSP value iteration cost 中给 "interval >> 1 + S" 加惩罚项ssp.rs:218-282防止跳跃式策略

6.5 adapter 真实读取的 maxIntervalDays / minIntervalSecs tune 范围 ​

这两个字段是 §1 + §3 之外、adapter mdm.rs 真正读取的最后两维：

字段当前值建议 tune 范围备注
maxIntervalDays90.0[30.0, 180.0]Anki 默认 36500 天（无 cap）；FSRS 社区常用 [365, 365×3]。wordforge 当前 90 偏紧，可能在长期态被频繁触发 → 建议先 tune ∈ [60, 180] 看效果
minIntervalSecs60{30, 60, 120, 300, 600}离散；用于防止 same-day 重复学习抖动；Anki 不暴露此字段，FSRS-5 由 w[17, 18] 内部处理

来源：

7. 来源汇总 ​

GitHub 仓库（≥5） ​

  1. open-spaced-repetition/fsrs-rs — Rust 参考实现
  2. open-spaced-repetition/fsrs-optimizer — Python 优化器（ParameterClipper 来源）
  3. open-spaced-repetition/fsrs4anki — Anki 集成
  4. open-spaced-repetition/py-fsrs — Python 调度器（FSRS-6 21 维默认值）
  5. open-spaced-repetition/free-spaced-repetition-scheduler — FSRS 算法主仓
  6. open-spaced-repetition/awesome-fsrs — 算法 wiki
  7. maimemo/SSP-MMC — DHP 模型 + SSP-MMC 调度器
  8. ankitects/anki — Anki 主仓

论文 / 博客（≥3） ​

  1. Ye et al., KDD 2022 — A Stochastic Shortest Path Algorithm for Optimizing Spaced Repetition Scheduling
  2. Borretti — Implementing FSRS in 100 Lines
  3. Expertium — Algorithm.html
  4. Expertium — Retention.html
  5. Expertium — Benchmark.html
  6. LessWrong — The history of FSRS for Anki
  7. Anki Manual — Deck Options/FSRS
  8. MaiMemo Docs — 2022 KDD
  9. Anderson et al. — ACT-R activation paper (cognitive memory baseline)

数据集 ​

  1. Harvard Dataverse DOI: 10.7910/DVN/VAGUL0 — 2.2 亿条 MaiMemo 评分日志

附录 A：amas tune 推荐初始动作集 ​

A.1 给当前 adapter（24 维有效空间）的 4 轮 tune 计划 ​

前置约定：_mutate_config 仅保留 24 个有效字段（w[0..18] + forgettingCurve{Factor,Decay,Floor} + maxIntervalDays + minIntervalSecs）。§5 字段全部从 mutate 中删除。

第 1 轮 — 锁死遗忘曲线（移除 2 维噪声）：

  • 把 forgettingCurveFactor 固定为 0.234568 并从 mutate 集合移除；
  • 把 forgettingCurveDecay 固定为 -0.5 并从 mutate 集合移除；
  • forgettingCurveFloor 固定为 0.0；
  • 有效搜索空间 = 21 维（19 维 w + maxIntervalDays + minIntervalSecs）。

第 2 轮 — FSRS Tier-A 9 维（信号最强）：

  • 仅 tune w[0..3]、w[8]、w[9]、w[10]、w[15]、w[16]；
  • 其他 w 固定为官方 FSRS-5 默认；
  • 9 维 × 200 trials → 期望 logLoss 收敛。

第 3 轮 — FSRS Tier-B 解锁 same-day + lapse：

  • 加入 w[11..14]、w[17]、w[18]；
  • 同时 tune maxIntervalDays ∈ [60, 180]、minIntervalSecs ∈ {30, 60, 120}；
  • 17 维 × 300 trials。

第 4 轮（可选）— 全 19 维：

  • 解锁 w[4..7] 至各自 Clipper bound；
  • 仅在第 3 轮已收敛、且想榨干 0.5% logLoss 时启用。

A.2 验收标准 ​

  • benchmark logLoss < FSRS_BASELINE_CONFIG 默认值；
  • ICI（calibration）≤ 0.05；
  • AUC ≥ baseline；
  • ParameterClipper bound 上没有 ≥3 个 w 撞墙（撞墙说明 prior 太窄或数据不足）。

A.3 死维度处置 ​

§5 所列约 22 个字段（compositeWeight*、shortTerm/medium/longTermLearningRate、halfLife*、passiveDecay*、recallRisk*、mastery* 等）：

  • 从 _mutate_config 全部删除（team-lead 已确认 revert）；
  • 在 amas_config.toml 中保持当前值不动（线上 wordforge 业务依赖这些字段，只是 benchmark adapter 不读）；
  • 未来若 adapter 扩展评估面到 wordSelector/ensemble（参见 adapter_extension_plan.md § 3.2），再启用 §5 表中的搜索范围。

WordForge — 智能英语学习平台