馬斯克剛剛真把 平臺推薦算法開源，核心也是Transformer

編輯｜冷貓

剛剛， 平臺（原 Twitter 平臺）公布了全新的開源消息：已將全新的推薦算法開源，該算法由與 xAI 的 Grok 模型相同的 Transformer 架構驅動。

該模型預測用戶行為（點贊、回復、轉發等）來對帖子進行排序，出現在 For You 一欄中。

眾所周知，推薦算法是社交媒體平臺的生命線，幾乎已經成為了媒體平臺獲取用戶留存，擴大營銷收益的核心。在一周多前，馬斯克在 平臺發推聲明「將在 7 天后開源平臺推薦算法」的時候幾乎令人難以置信。

而馬斯克確實說到做到，雖然比聲稱的 7 天內略晚，但推薦算法的確已經完全開源。希望之后能夠長期遵循每 4 周重復更新的承諾。

在開源信息發布后，馬斯克表示：「我們知道這個算法很笨拙，需要大量的改進，但至少你可以看到我們在實時和透明的情況下努力讓它變得更好。沒有其他社交媒體公司這樣做。」

不過，馬斯克選擇開源 平臺推薦算法可能另有原因。

據路透社報道，2025 年 7 月，巴黎檢察官調查了該社交媒體平臺，懷疑其存在算法偏見和欺詐性數據提取，馬斯克將其稱為「政治動機的刑事調查」，威脅到其用戶的言論自由。

12 月，歐盟對 處以 1.2 億歐元罰款，監管機構表示該公司違反了該地區數字服務法案下的透明度義務。罰款與的「藍 V」訂閱、廣告庫缺乏透明度以及未能向研究人員提供平臺公共數據有關。

既然已經開源，那我們來看一下 平臺到底公開了些啥？

• Github 開源鏈接：https://github.com/xai-org/x-algorithm

這份代碼倉庫包含了平臺「For You」信息流背后的核心推薦系統。

它將站內關系內容（來自你已關注賬號的內容）與站外發現內容（通過基于機器學習的召回機制發現的內容）進行融合，并使用基于 Grok 的 Transformer 模型對所有內容進行統一排序。

隨后就是一長串的系統架構：

推薦算法系統架構

新系統徹底拋棄了傳統的手工規則，并大幅減少啟發式方法，采用完全的神經網絡方式。

整個推薦過程的核心幾乎全部交給了這個基于 Grok 的 Transformer 模型：它通過理解你的歷史互動行為（比如點贊、回復、轉發等），來判斷哪些內容與你最相關。

整個系統的核心是稱為 Thunder 和 Phoenix 的組件。「For You」信息流算法會從兩個來源中召回、排序并過濾內容：

• 站內關系內容（In-Network，Thunder）：來自你已關注賬號的帖子
• 站外發現內容（Out-of-Network，Phoenix Retrieval）：從全局內容池中通過模型發現的帖子

來自這兩個來源的內容會被合并在一起，并統一交由Phoenix進行排序。Phoenix 是一個基于 Grok 的 Transformer 模型，它會為每一條帖子預測不同形式的互動概率。最終排序分數，是這些預測互動概率的加權組合。

Thunder 組件

這是一個基于內存的帖子存儲與實時數據攝取系統，用于跟蹤全體用戶的最新發帖情況，主要功能包括：

• 從 Kafka 中消費帖子創建 / 刪除事件
• 為每個用戶分別維護原帖、回復 / 轉發、以及視頻帖的存儲
• 向請求用戶提供其關注賬號的「站內關系內容（in-network）」候選帖
• 自動清理超過保留期限的舊帖子
• 支持亞毫秒級查詢，無需訪問外部數據庫即可獲取站內關系內容

Thunder 的作用，是讓系統能夠極高速地獲取「你關注的人最近發了什么」。

Phoenix 組件

這是推薦系統中的機器學習核心組件，主要包含兩個功能模塊：

召回（Two-Tower 雙塔模型），用于發現相關的站外內容（out-of-network）：

• 用戶塔（User Tower）：將用戶特征和歷史互動行為編碼為向量表示
• 候選內容塔（Candidate Tower）：將所有帖子編碼為向量表示
• 相似度檢索：通過向量點積相似度，召回最相關的 Top-K 帖子

排序（帶候選隔離的 Transformer），用于預測每條候選內容的互動概率：

• 以用戶上下文（歷史互動）和候選帖子作為輸入
• 使用特殊的注意力掩碼機制，確保候選帖子之間不能相互看到彼此
• 輸出不同互動行為的概率預測（點贊、回復、轉發、點擊等）

基于 Phoenix 的 transformer 模型預測多種參與類型的概率：

Predictions:├── P(favorite)├── P(reply)├── P(repost)├── P(quote)├── P(click)├── P(profile_click)├── P(video_view)├── P(photo_expand)├── P(share)├── P(dwell)├── P(follow_author)├── P(not_interested)├── P(block_author)├── P(mute_author)└── P(report)

加權評分器將這些因素綜合成一個最終得分：

FinalScore= Σ (weight_i × P(action_i))

流量密碼

這個得分就是影響推文推薦水平的量化數據。簡單分析， 平臺的推薦邏輯更加關注評估內容與用戶的關系質量。

在新的「For You」機制下，每一條帖子都會被獨立評估，排序不再主要依賴點贊數量，而是基于系統對深度互動行為的預測與反饋，包括引用評論、私信分享、復制鏈接、個人主頁點擊與關注，以及停留時長。相反，「不感興趣」、靜音、拉黑、舉報等負面行為會直接被賦予負權重，顯著壓低內容分發。

此外，情緒化標題、短期刺激型內容的收益正在下降。算法不僅關注互動峰值，也會捕捉后續的負反饋，從而懲罰低質量、不可持續的互動模式。

同時，發布頻率越高并不等于覆蓋面越廣。系統會對同一作者在同一信息流中的多條內容進行遞減加權，刷屏式發布反而更容易被壓制。更有效的策略，是降低頻率、提高單條內容的獨立價值。

在分發機制上，關注關系的重要性進一步上升。來自關注者網絡的內容保持滿權重，而推送給非關注用戶的內容則會被系統性折扣，降低「純病毒式傳播」的成功概率。

總體來看， 的推薦系統正在明確優化長期關系和內容質量，而不是短期熱度。誰能建立穩定、正向的互動關系，誰才能獲得更可持續的曝光。

規則已經明確地展現在所有人面前，從中每個人都可以發掘自己的流量密碼。

或許大家可以去關注一下我們機器之心的 ？