马斯克兑现承诺，X 平台全新推荐算法正式开源！这套由 Grok 驱动的 AI 系统，完全取代了人工规则，通过 15 种行为预测精准计算每条帖子的命运。

1 月 11 日，马斯克在 X 平台上发了一条帖子，宣布将在 7 天内开源 X 平台全新的推荐算法。

他还承诺，此后每 4 周重复一次开源更新，并附上全面的开发者说明。

今天，马斯克兑现了这个承诺。

X 平台工程团队 ( @XEng ) 今天正式宣布：全新的 X 算法已经开源。

这套算法采用了与 xAI 旗下 Grok 模型相同的 Transformer 架构，代码已发布在 GitHub 上。

这一消息迅速引爆全网。

对于普通用户来说，这意味着我们终于可以一窥为「你推荐」信息流的真实运作机制。

对于创作者来说，这意味着如何涨粉不再是玄学，而是有据可查的科学。

开源地址：https://github.com/xai-org/x-algorithm

下面深入解读这套开源算法到底说了些什么。

核心变化从手工规则到全 AI 驱动

这次开源揭示的最大变化是：X 算法现在完全由 AI 驱动。

官方 README 文档中明确写道：我们已经移除了所有手工设计的特征和大多数人工规则。

简单来说就是：以前那些运营团队手动调参、人工设定的推荐规则，全部被删掉了。

现在，一个基于 Grok 架构的 Transformer 模型，通过学习你的历史互动行为（你点赞过什么、回复过什么、转发过什么），来决定给你推荐什么内容。

这意味算法变得更懂你了，但也更难被玩弄了。

以前的互动技巧、流量密码可能要全部失效。

这很容易让人联想到马斯克特斯拉 FSD 的端到端算法，没有任何人类规则，全靠大模型通过数据学习。

你的信息流从哪来？双引擎驱动

开源代码揭示，你的「为你推荐」信息流由两个来源构建：

1. Thunder（雷霆）：关注圈内容

这是你关注的人发的帖子。Thunder 是一个实时内容存储系统，它会：

从 Kafka 消息队列中消费帖子的发布 / 删除事件

为每个用户维护最近的原创帖、回复、转发、视频等内容库

提供亚毫秒级的快速查询

简单来说，Thunder 确保你能第一时间看到关注者的新内容。

2. Phoenix（凤凰）：全球发现引擎

这是你没关注但算法认为你会喜欢的内容。

Phoenix 通过机器学习在全球海量帖子中搜索相关内容：

用户塔 ( User Tower ) ：把你的特征和互动历史编码成一个向量

候选塔 ( Candidate Tower ) ：把所有帖子也编码成向量

相似性搜索：通过向量点积找出与你「最匹配」的帖子

这就是病毒式传播发生的地方。

如果你的帖子在早期表现良好，Phoenix 会把它推送给大量陌生人。

即使你粉丝为零，优质内容也有机会被发现：粉丝数的优势被大幅削弱了。

算法如何打分？15 种行为预测

这是本次开源最核心、最有价值的部分：

Phoenix 模型会预测用户可能对每条帖子采取的多种行为：

最终得分的计算公式是：

Final Score = Σ ( weight × P ( action ) )

正面行为的权重为正，负面行为的权重为负。

算法不是简单看你获得了多少点赞，而是预测用户看到这条帖子后会怎么做。

8 个你必须知道的算法机制

基于开源代码，以下是 8 个直接影响你内容曝光的关键机制：

被拉黑、静音、举报会严重降权

代码中的 P ( block_author ) 、P ( mute_author ) 、P ( report ) 、P ( not_interested ) 四个负向预测，权重全是负数。

预测值越高，你的帖子得分越低。

通俗解释：

如果算法预测用户可能会拉黑你、静音你、举报你或者点「不感兴趣」，你的帖子就不会被推荐给这个用户，甚至整体流量都会受影响。

连发多条帖子会被降权

代码中的 Author Diversity Scorer 作用是「衰减重复作者的分数以确保信息流多样性」。

通俗解释：

别刷屏！如果你连续发好几条帖子，后面的曝光会越来越少。

算法希望用户看到不同人的内容，而不是被一个人霸屏。

别人发爆款不会抢你流量

代码中的 Candidate Isolation 设计确保「候选帖子之间不能互相影响，只与用户上下文交互」。

通俗解释：

每条帖子是独立打分的。

别人发了一条 10 万点赞的爆款，不会挤掉你帖子的曝光。你的分数只取决于你自己和目标用户之间的关系。

用户停留时间很重要

P ( dwell ) 是独立预测项，停留时间直接影响得分。

通俗解释：如果用户停止滑动，真正阅读你的帖子，系统会认为这是高质量内容，然后推给更多人。

这就是为什么长帖子、故事叙述、系列讨论（Thread）现在效果越来越好。

视频只看「点不点开」，不管看完没

预测项是 P ( video_view ) ，不是完播率。

通俗解释：这和抖音完全不同！

X 算法只预测用户会不会点开看视频，不关心你看完没看完。

所以封面和开头的吸引力比完播率更重要。

看过的帖子不会再推给你

已经在你信息流中出现过的帖子，不会重复推送。

每次刷新都是新内容。

非关注者发的内容有特殊调分逻辑

OON Scorer 用于「调整非关注圈内容的分数」。

通俗解释：你没关注的人发的帖子，会经过一个专门的评分器调整分数，但具体怎么调没公开。

可能是为了平衡「关注」和「发现」两种内容的比例。

回复作者评论权重极高

根据代码分析，「回复 + 作者回应」的权重是单纯点赞的 75 倍！

通俗解释：

如果有人评论你的帖子，一定要回复！

忽视评论等于扼杀传播。算法非常重视真实的对话和互动。

这套算法怎么过滤内容？

开源代码还揭示了详细的过滤机制，分为两个阶段：

打分前过滤（Pre-Scoring Filters）：

打分后过滤（Post-Selection Filters）：

5 大关键设计决策

开源文档还透露了算法团队的 5 个核心设计理念：

1. 零手工特征工程

系统完全依赖Grok Transformer 从用户互动序列中学习相关性，不做任何手工特征设计。

这大幅简化了数据管道和服务架构。

2. 候选隔离机制

在 Transformer 推理过程中，候选帖子之间不能互相「看到」对方，只能与用户上下文交互。

这确保了每条帖子的分数不会因为同批次其他帖子而变化，分数一致且可缓存。

3. 哈希嵌入

检索和排序都使用多个哈希函数进行向量嵌入查找，提高效率。

4. 多行为预测

不是预测单一的「相关性分数」，而是同时预测多种用户行为的概率，然后加权组合。

5. 可组合的管道架构

整个推荐系统采用模块化设计，各个组件可以独立开发、测试、替换，支持并行执行和优雅的错误处理。

这对内容创作者意味着什么？

根据这次开源，如果你想在 X 平台获得更大的曝光，以下是核心建议：

✅ 应该做的：

写强烈的好奇心钩子：让人想停下来看完

创作值得停留的内容：停留时间直接影响得分

积极回复评论：作者回复权重极高

使用短段落，易于阅读：降低阅读门槛

发有价值的原创内容：算法奖励真实互动和人性化反应

❌ 不该做的：

别刷屏：连续发帖会被降权

别放外链：把链接放在个人简介或置顶，不要放正文

别搞标题党或低质量煽动：负面反馈会严重拖累你

别忽视评论：不回复等于放弃流量

这次 X 算法开源可以说是社交媒体透明度的里程碑事件。

马斯克收购 Twitter（现 X）以来，一直强调平台透明度。

此次开源不仅是兑现承诺，更让所有用户和开发者都能看到推荐系统的真实运作方式。

总结一下这次开源的核心内容：

算法完全 AI 化，告别人工规则时代

双引擎（Thunder+Phoenix）驱动信息流

15 种行为预测决定内容得分

负面反馈杀伤力巨大

停留时间和真实互动是核心指标

小号也有机会，粉丝优势削弱

这应该是迄今为止最公平的 X 算法版本。

而且马斯克承诺这个开源过程将每 4 周重复一次，这个帖子获得了接近 3500 万的观看，全球创作者都在持续关注中。