•
馬斯克兌現承諾，開源X推薦演算法！100% AI驅動，0人工規則
【新智元導讀】馬斯克兌現承諾，X平台全新推薦演算法正式開源！這套由Grok驅動的AI系統，完全取代了人工規則，通過15種行為預測精準計算每條帖子的命運。
1月11日，馬斯克在X平台上發了一條帖子，宣佈將在7天內開源X平台全新的推薦演算法。
他還承諾，此後每4周重複一次開源更新，並附上全面的開發者說明。
今天，馬斯克兌現了這個承諾。
X平台工程團隊(@XEng)今天正式宣佈：全新的X演算法已經開源。
這套演算法採用了與xAI旗下Grok模型相同的Transformer架構，程式碼已發佈在GitHub上。
這一消息迅速引爆全網。
對於普通使用者來說，這意味著我們終於可以一窺為「你推薦」資訊流的真實運作機制。
對於創作者來說，這意味著如何漲粉不再是玄學，而是有據可查的科學。
下面深入解讀這套開源演算法到底說了些什麼。
一、核心變化
從手工規則到全AI驅動
這次開源揭示的最大變化是：X演算法現在完全由AI驅動。
官方README文件中明確寫道：我們已經移除了所有手工設計的特徵和大多數人工規則。
簡單來說就是：以前那些營運團隊手動調參、人工設定的推薦規則，全部被刪掉了。
現在，一個基於Grok架構的Transformer模型，通過學習你的歷史互動行為（你點讚過什麼、回覆過什麼、轉發過什麼），來決定給你推薦什麼內容。
這意味演算法變得更懂你了，但也更難被玩弄了。
以前的互動技巧、流量密碼可能要全部失效。
這很容易讓人聯想到馬斯克特斯拉FSD的端到端演算法，沒有任何人類規則，全靠大模型通過資料學習。
二、你的資訊流從那來？
雙引擎驅動
開放原始碼揭示，你的「為你推薦」資訊流由兩個來源建構：
1. Thunder（雷霆）：關注圈內容
這是你關注的人發的帖子。Thunder是一個即時內容儲存系統，它會：
- 從Kafka消息佇列中消費帖子的發佈/刪除事件
- 為每個使用者維護最近的原創帖、回覆、轉發、視訊等內容庫
- 提供亞毫秒級的快速查詢
簡單來說，Thunder確保你能第一時間看到關注者的新內容。
2. Phoenix（鳳凰）：全球發現引擎
這是你沒關注但演算法認為你會喜歡的內容。
Phoenix通過機器學習在全球海量帖子中搜尋相關內容：
- 使用者塔(User Tower)：把你的特徵和互動歷史編碼成一個向量
- 候選塔(Candidate Tower)：把所有帖子也編碼成向量
- 相似性搜尋：通過向量點積找出與你「最匹配」的帖子
這就是病毒式傳播發生的地方。
如果你的帖子在早期表現良好，Phoenix會把它推送給大量陌生人。
即使你粉絲為零，優質內容也有機會被發現：粉絲數的優勢被大幅削弱了。
三、演算法如何打分？
15種行為預測
這是本次開源最核心、最有價值的部分：
Phoenix模型會預測使用者可能對每條帖子採取的多種行為：
最終得分的計算公式是：
Final Score = Σ (weight × P(action))
正面行為的權重為正，負面行為的權重為負。
演算法不是簡單看你獲得了多少點贊，而是預測使用者看到這條帖子後會怎麼做。
四、8個你必須知道的演算法機制
基於開放原始碼，以下是8個直接影響你內容曝光的關鍵機制：
1. 被拉黑、靜音、舉報會嚴重降權
程式碼中的 P(block_author)、P(mute_author)、P(report)、P(not_interested) 四個負向預測，權重全是負數。
預測值越高，你的帖子得分越低。
通俗解釋：
如果演算法預測使用者可能會拉黑你、靜音你、舉報你或者點「不感興趣」，你的帖子就不會被推薦給這個使用者，甚至整體流量都會受影響。
2. 連發多條帖子會被降權
程式碼中的Author Diversity Scorer作用是「衰減重複作者的分數以確保資訊流多樣性」。
通俗解釋：
別刷屏！如果你連續發好幾條帖子，後面的曝光會越來越少。
演算法希望使用者看到不同人的內容，而不是被一個人霸屏。
3. 別人發爆款不會搶你流量
程式碼中的Candidate Isolation設計確保「候選帖子之間不能互相影響，只與使用者上下文互動」。
通俗解釋：
每條帖子是獨立打分的。
別人發了一條10萬點讚的爆款，不會擠掉你帖子的曝光。你的分數隻取決於你自己和目標使用者之間的關係。
4. 使用者停留時間很重要
P(dwell) 是獨立預測項，停留時間直接影響得分。
通俗解釋：如果使用者停止滑動，真正閱讀你的帖子，系統會認為這是高品質內容，然後推給更多人。
這就是為什麼長帖子、故事敘述、系列討論（Thread）現在效果越來越好。
5. 視訊只看「點不點開」，不管看完沒
預測項是 P(video_view)，不是完播率。
通俗解釋：這和抖音完全不同！
X演算法只預測使用者會不會點開看視訊，不關心你看完沒看完。
所以封面和開頭的吸引力比完播率更重要。
6. 看過的帖子不會再推給你
已經在你資訊流中出現過的帖子，不會重複推送。
每次刷新都是新內容。
7. 非關注者發的內容有特殊調分邏輯
OON Scorer用於「調整非關注圈內容的分數」。
通俗解釋：你沒關注的人發的帖子，會經過一個專門的評分器調整分數，但具體怎麼調沒公開。
可能是為了平衡「關注」和「發現」兩種內容的比例。
8. 回覆作者評論權重極高
根據程式碼分析，「回覆+作者回應」的權重是單純點讚的75倍！
通俗解釋：
如果有人評論你的帖子，一定要回覆！
忽視評論等於扼殺傳播。演算法非常重視真實的對話和互動。
五、這套演算法怎麼過濾內容？
開放原始碼還揭示了詳細的過濾機制，分為兩個階段：
打分前過濾（Pre-Scoring Filters）：
打分後過濾（Post-Selection Filters）：
六、5大關鍵設計決策
開源文件還透露了演算法團隊的5個核心設計理念：
1. 零手工特徵工程
系統完全依賴Grok Transformer從使用者互動序列中學習相關性，不做任何手工特徵設計。
這大幅簡化了資料管道和服務架構。
2. 候選隔離機制
在Transformer推理過程中，候選帖子之間不能互相「看到」對方，只能與使用者上下文互動。
這確保了每條帖子的分數不會因為同批次其他帖子而變化，分數一致且可快取。
3. 雜湊嵌入
檢索和排序都使用多個雜湊函數進行向量嵌入尋找，提高效率。
4. 多行為預測
不是預測單一的「相關性分數」，而是同時預測多種使用者行為的機率，然後加權組合。
5. 可組合的管道架構
整個推薦系統採用模組化設計，各個元件可以獨立開發、測試、替換，支援平行執行和優雅的錯誤處理。
七、這對內容創作者意味著什麼？
根據這次開源，如果你想在X平台獲得更大的曝光，以下是核心建議：
✅ 應該做的：
- 寫強烈的好奇心鉤子：讓人想停下來看完
- 創作值得停留的內容：停留時間直接影響得分
- 積極回覆評論：作者回覆權重極高
- 使用短段落，易於閱讀：降低閱讀門檻
- 發有價值的原創內容：演算法獎勵真實互動和人性化反應
❌ 不該做的：
- 別刷屏：連續發帖會被降權
- 別放外鏈：把連結放在個人簡介或置頂，不要放正文
- 別搞標題黨或低品質煽動：負面反饋會嚴重拖累你
- 別忽視評論：不回覆等於放棄流量
這次X演算法開源可以說是社交媒體透明度的里程碑事件。
馬斯克收購Twitter（現X）以來，一直強調平台透明度。
此次開源不僅是兌現承諾，更讓所有使用者和開發者都能看到推薦系統的真實運作方式。
總結一下這次開放原始碼的核心內容：
- 演算法完全AI化，告別人工規則時代
- 雙引擎（Thunder+Phoenix）驅動資訊流
- 15種行為預測決定內容得分
- 負面反饋殺傷力巨大
- 停留時間和真實互動是核心指標
- 小號也有機會，粉絲優勢削弱
這應該是迄今為止最公平的X演算法版本。
而且馬斯克承諾這個開源過程將每4周重複一次，這個帖子獲得了接近3500萬的觀看，全球創作者都在持續關注中。 (新智元)