X 開源推薦算法，我們到底寫什麼內容才更吸引人？

作者：David，深潮 TechFlow

1 月 20 日下午，X 開源了新版推薦算法。

Musk 配的回复挺有意思：「我們知道這算法很蠢，還需要大改，但至少你能看到我們在實時掙扎著改進。別的社交平台不敢這麼幹。」

這話有兩層意思。

這是 X 第二次開源算法。 2023 年那版代碼三年沒更新，早就和實際系統脫節了。 這次完全重寫，核心模型從傳統機器學習換成了 GROK transformer，官方說法是「徹底消除了手工特徵工程」。

翻譯成人話：以前的算法靠工程師手動調參數，現在讓 AI 直接看你的互動歷史來決定推不推你的內容。

對內容創作者來說，這意味著以前那套「幾點發帖最好」「帶什麼 tag 漲粉」的玄學可能不靈了。

我們也翻了翻開源的 Github 倉庫，在 AI 的輔助下，發現代碼裡確實藏著一些硬邏輯，值得扒一扒。

先說清楚新舊版本的區別，不然後面的討論容易混。

2023 年，推特開源的那版叫 Heavy Ranker，本質就是傳統機器學習。 工程師要手動定義幾百個「特徵」：這條帖子有沒有圖、發帖人粉絲多少、發佈時間離現在多久、帖子裡有沒有鏈接...

然後給每個特徵配權重，調來調去，看哪個組合效果好。

這次開源的新版叫 Phoenix，架構完全不同，你可以理解成一個更加依賴 AI 大模型的算法，核心是用 Grok 的 transFORMer 模型，和 ChatGPT、Claude 用的是同一類技術。

官方 README 文檔裡寫得很直白：「We have eliminated every single hand-engineered feature。」

傳統那種靠手工提取內容特徵的規則，一個不剩，全砍了。

那現在，這個算法靠什麼判斷一個內容到底好不好？

答案是靠你的。 你過去點贊過什麼、回復過誰、在哪些帖子上停留超過兩分鐘、屏蔽過過哪類賬號。 Phoenix 把這些行為餵給 transformer，讓模型自己學出規律並進行總結。

打個比方：舊算法像一張人工編寫的評分錶，每項打勾算分；

新算法像一個看過你所有瀏覽記錄的 AI，你下一秒想看什麼。

對創作者來說，這意味著兩件事：

因為模型不再看這些固定特徵，它看的是每個用戶的個人偏好。

這個反應被量化成了 15 種行為預測，我們下一章細說。

算法在預測你的 15 種反應

Phoenix 拿到一條待推薦的帖子後，會預測當前用戶看到這條內容可能產生的 15 種行為：

每種行為對應一個預測概率。 比如模型判斷你有 60% 概率點贊這條帖子、5% 概率屏蔽這個作者等等。

然後算法做一件簡單的事：把這些概率乘以各自的權重，加起來，得到一個總分。

公式長這樣：

正向行為的權重是正數，負向行為的權重是負數。

總分高的帖子排前面，低的沉下去。

跳出公式，其實說白了就是：

按這個思路想，極端情況下一條低俗但讓人忍不住回复吐槽的帖子，得分可能比一條優質但沒人互動的帖子更高。 這套系統的底層邏輯或許就是如此。

不過，新開源版本的算法沒公開具體行為權重的數值，但 2023 年那版公開過。

舊版參考：一次舉報 = 738 次點贊

接下來我們可以扒一下 23 年的那組數據，雖然是舊的，但能幫你理解各種行為在算法眼裡的「價值」差多少。

2023 年 4 月 5 日，X 確實在 GitHub 上公開過一組權重數據。

直接上數字：

翻譯的再直白一些：

數據來源：舊版 GitHub twitter/the-algorithm-ml 倉庫，點擊可以查看原算法

幾個數字值得細看。

權重只有 0.5，是所有正向行為裡最低的。 算法眼裡，一個點讚的價值約等於零。

「你回复，作者又回复你」的權重是 75，是點讚的 150 倍。 算法最想看到的不是單向的讚，而是來回的對話。

一次 Block 或 Mute（-74）需要 148 次點贊才能抵消。 一次舉報（-369）需要 738 次點贊。 而且這些負分會累積到你的賬號信譽分裡，影響後續所有帖子的分發。

只有 0.005，幾乎可以忽略。 這和抖音、TikTok 形成鮮明對比，那兩個平台把完播率當核心指標。

官方在同一份文件裡也寫了：「The exact weights in the file can be adjusted at any time... Since then, we have PEriodically adjusted the weights to optimize for platform metrics.」

權重隨時可能調，而且確實調過。

新版本沒公開具體數值，但 README 裡寫的邏輯框架一樣：正向加分，負向扣分，加權求和。

具體數字可能變了，但量級關係大概率還在。 你回复別人的評論，比收到 100 個贊更有用。 讓人想 Block 你，比沒人互動更糟糕。

知道這些後，我們創作者能做什麼

扒完推特的新舊算法代碼，結合來看，提煉幾條可操作的結論。

權重表裡「作者回複評論者」是最高分項（+75），比用戶單方麵點贊高 150 倍。 不是讓你去求評論，而是有人評論了就回。 哪怕回一句「謝謝」，算法也會記一筆。

一次 block 的負面影響需要 148 次點贊才能抵消。 爭議內容確實容易引發互動，但如果互動方式是「這人煩死了，block」，你的賬號信譽分會持續受損，影響後續所有帖子的分發。 爭議流量是雙刃劍，砍別人之前先砍自己。

，這點 Musk 自己公開說過。 想導流的話，正文寫內容，鏈接扔第一條評論。

新版代碼裡有個 Author Diversity SCorer，作用是給同一作者連續出現的帖子降權。 設計意圖是讓用戶的 feed 更多樣，副作用是你連發十條不如精發一條。

舊版算法有「發佈時間」這個人工特徵，新版說砍就砍了。 Phoenix 只看用戶行為序列，不看帖子是幾點發的。 那些「週二下午三點發帖效果最好」的攻略，參考價值越來越低。

以上是代碼層面能讀出來的東西。

還有一些加分減分項來自 X 的公開文檔，不在這次開源的倉庫裡：藍標認證有加成、全大寫會被降權、敏感內容觸發 80% 觸達率削減。 這些規則沒開源，就不展開了。

總結來看，這次開源的東西挺實在。

完整的系統架構、候選內容的召回邏輯、排序打分的流程、各種過濾器的實現。 代碼主要是 Rust 和 PYTHon，結構清晰，README 寫得比很多商業項目都詳細。

但有幾樣關鍵的東西沒放出來。

代碼裡只寫了「正向行為加分，負向行為扣分」，具體點贊值多少分、block 扣多少分，沒說。 2023 年那版至少把數字亮出來了，這次只給了公式框架。

Phoenix 用的是 Grok transformer，但模型本身的參數沒放。 你能看到模型怎麼被調用，看不到模型內部怎麼算的。

模型是用什麼數據訓出來的、用戶行為怎麼採樣、正負樣本怎麼構造，都沒說。

打個比方，這次開源相當於告訴你「我們用加權求和算總分」，但沒告訴你權重是多少；告訴你「我們用 transformer 預測行為概率」，但沒告訴你 transformer 裡面長什麼樣。

橫向比較的話，TikTok 和 Instagram 連這些都沒公開過。 X 這次開源的信息量，確實比其他主流平台多。 只是離「完全透明」還有距離。

這不是說開源沒有價值。 對創作者和研究者來說，能看到代碼總比看不到強。