马斯克甩出王炸，X平台推荐算法重磅开源，6小时斩获1.6k Star，放话：没有对手这样做
“我们将在 7 天内把 X 平台最新的内容推荐算法开源。”
几天前，X 平台掌舵者埃隆·马斯克抛出的这句话，着实让不少人愣了一下。毕竟这意味着，外界将第一次有机会系统性地了解：X 到底是如何决定向用户推荐哪些自然内容、哪些广告内容的。
彼时话一说出口，很多人翘首以盼，也在 X 上每天“蹲守”，等着看马斯克会不会“爽约”。
让人有些兴奋的是，X 平台工程团队的 Engineering 官方账号于今天给出了答案。他们重磅宣布，正式开源新的 X 推荐算法——该算法采用了与 xAI 的 Grok 模型相同的 Transformer 架构。
与此同时，相关的 GitHub 仓库也一并公开：https://github.com/xai-org/x-algorithm ，上线六小时便已经获得了 1.6k 个 Star。
这并不是一次象征性的“放点代码看看”。对于外界讨论了多年的那个问题——“X 的推荐系统到底是怎么运作的”，这一次，终于有了可以直接翻源码的对象。
从“放话”到“交卷”：马斯克为什么非要开源算法？
要聊这次开源，得先搞懂马斯克的“执念”。
在社交平台领域，推荐算法向来是各家的“核心机密”：用户刷到的每条动态、每个广告，背后都是算法根据用户行为、内容标签、商业诉求等维度计算的结果。此前，无论是 Facebook、Instagram 还是其他社交平台，算法都被牢牢锁在“黑箱”里，外界只能靠逆向工程猜测逻辑，平台正常也不会主动交底。
但马斯克偏不。接手 X 平台前后，他不止一次吐槽过“算法不透明”的问题。于是，其势要打造一个「自由广场」。
这次立“开源的 Flag”，与其说是一时兴起，不如说是他对 X 平台改造的关键一步：一方面，通过开源让全球开发者、用户监督算法逻辑，减少“算法偏见”、“流量操纵”的质疑，也应对监管；另一方面，借助社区的力量优化算法——毕竟全球程序员的智慧，远比内部团队“闭门造车”来得高效，借此可以巩固 X 生态护城河。
当然，这只是第一步。马斯克此前还表示，“后续将每四周更新一次代码，同时附带开发者说明，标注算法和逻辑上的改动内容。”
这种“持续开源+透明更新”的模式，在社交平台领域几乎是前所未有的尝试。那么，这次他们到底开源了什么，我们接下来再一探究竟。
GitHub 开箱：X 的推荐算法，到底长什么样？
打开https://github.com/xai-org/x-algorithm 这个仓库，我们首先看到这次 X 平台开源的是「For You（为你推荐）」信息流的核心推荐系统。
据 X 工程团队介绍，「For You」信息流的内容主要来自两大来源：
一是站内内容（Thunder 模块），即用户关注账号发布的帖子；
二是站外内容（Phoenix 召回模块），也就是从全网内容库中筛选出的帖子。
两类内容整合后，会交由 Phoenix 模型（基于 Grok Transformer 模型，Transformer 实现移植自 xAI 开源的 Grok-1，并针对推荐系统的具体使用场景进行了适配和调整）分析——该模型会通过用户的点赞、回复、转发等互动历史，预测用户对每篇帖子的各类互动概率，最终的内容得分便是这些概率的加权组合。
X 工程团队还透露，该系统已剔除所有手工设计的特征及绝大部分启发式规则，核心计算工作完全由这款 Grok Transformer 模型承担，其核心逻辑就是通过分析用户互动历史，判断内容与用户的相关性。
系统架构如下所示：
Rust 语言为主，Python 为辅，「For You」推荐系统大揭秘
从技术栈维度来看，这一仓库主要使用了 Rust 和 Python 两种编程语言。项目遵循了Apache License 2.0 开源许可。
该仓库的代码文件按功能模块划分，核心模块分工明确：
phoenix/：包含 Grok 模型适配、推荐系统模型（recsys_model.py）、召回模型（recsys_retrieval_model.py）等核心代码，以及模型运行、测试脚本；
home-mixer/：以 Rust 语言开发，是推荐系统的 “编排层”，包含候选内容补全、查询数据补全、打分器、过滤器等核心逻辑；
thunder/：基于 Rust 开发，负责处理 “站内内容”（关注账号帖子）的检索、反序列化、Kafka 消息处理等；
candidate-pipeline/：候选内容流水线相关逻辑，是连接内容源与后续处理的关键环节。
该推荐系统的工作原理、核心执行流程有清晰的逻辑链路——从响应用户的信息流请求开始，算法会通过七个核心阶段完成内容筛选与推送，每一步都围绕 “精准匹配用户兴趣”展开，同时规避重复、低质或用户反感的内容。
第一步：调取用户核心数据
算法启动的首要环节是“用户数据补全”：系统会先抓取用户近期的互动记录，比如点赞、回复、转发、点击等行为，同时调取关注列表、账号偏好设置等基础元数据，这些信息是后续推荐的核心依据，相当于为算法搭建起“用户画像” 的基础框架。
第二步：抓取两类候选内容
基于用户数据，算法会从上述提到的两大渠道检索候选内容：
一类是“站内内容”，由 Thunder 模块负责，来源是用户已关注账号发布的近期帖子，也是用户日常刷到的核心内容之一；
另一类是“站外内容”，由 Phoenix 召回模块通过机器学习技术，从全网内容库中挖掘出的、用户未关注但可能感兴趣的帖子，这也是系统“推荐陌生内容”的核心来源。
第三步：补全内容完整信息
为了让后续打分更精准，算法会对所有候选内容做“信息补全”，譬如补充帖子的文本、图片/视频等核心素材，作者的用户名、认证状态，视频类帖子的时长，以及内容对应的订阅权限等关键信息，确保每一条候选内容的信息维度完整。
第四步：打分前先过滤无效内容
在进入核心打分环节前，算法会执行“前置过滤”，直接剔除不符合要求的内容，包括重复帖子、超期的过期内容、用户本人发布的帖子，以及来自已屏蔽/静音账号、包含用户静音关键词的内容。
此外，用户已经查看过、近期刚推送过的内容，或是无权限访问的付费内容，也会在这一步被筛除，避免低质内容占用后续计算资源。
第五步：多维度打分并排序
过滤后的内容会进入核心打分环节（Scoring），系统会依次调用四款打分器计算“适配得分”：
首先是 Phoenix 打分器，从基于 Grok 的 Transformer 模型中获取机器学习预测结果；
接着加权打分器将这些预测结果整合为最终的相关性得分；
作者多样性打分器会刻意降低重复作者内容的得分，保证信息流的内容多样性；
站外内容打分器（OON Scorer）则针对性调整全网挖掘内容的得分，平衡站内与站外内容的展示比例。
第六步：筛选
最终算法会按得分高低对所有内容排序，选取排名前 K 的候选内容进入最后环节。
第七步：最终验证后推送
即便内容得分靠前，也需经过“筛选后处理”的最终验证：系统会对候选内容做最后一轮合规性、有效性校验，确认无误后才会正式推送到用户的信息流中，这也是内容呈现给用户前的最后一道把关。
在算法底层设计上，X 平台的推荐系统有五大核心决策，这些设计也成为其区别于传统推荐算法的关键：
该系统完全摒弃了手工设计的特征，核心依赖基于 Grok 的 Transformer 模型，从用户的互动行为序列中自主学习内容与用户的相关性，不再靠人工设定内容相关性特征，这一设计大幅降低了数据处理流水线和推送基础设施的复杂度；
在排序环节，模型对候选内容采取“隔离计算”的方式，推理过程中候选内容之间不会相互影响，仅围绕用户上下文进行打分，确保单篇帖子的得分不受同批次其他内容干扰，让得分结果更稳定且可缓存；
召回和排序两大核心环节均采用多个哈希函数实现嵌入向量的查找，提升了算法运行效率；
不同于传统模型仅预测单一的“相关性”得分，该模型会同时预测用户对内容的多种行为概率，让打分维度更全面；
此外，系统基于 candidate-pipeline 框架搭建了可组合的流水线架构，不仅实现了流水线执行、监控逻辑与业务逻辑的分离，支持独立环节并行执行和优雅的错误处理，还能便捷地新增内容来源、数据补全规则、过滤器及打分器，让算法具备高度的灵活性和可拓展性。
马斯克：“其他社交媒体公司都没有这样做”
此次开源之际，马斯克直言：“我们知道这个算法很笨拙，需要大幅改进，但至少你可以实时、透明地看到我们努力改进它的过程。”
他同时强调，“其他社交媒体公司都没有这样做。”
对于 X 开源的举措，也引发了不少的热议。
于普通开发者来说，此次开源的价值远超“看代码”本身，好处无疑是明显的，正如网友 AbundanceVsWar 评论道：
「之所以重要，是因为当分配注意力的系统不透明时，丰富性是不可能出现的。
当人们不了解影响力是如何分布的，注意力就会显得零和、被操控、充满政治性。仅这种认知本身，就会引发冲突。而将推荐算法开源，则把注意力从一个神秘资源变成了一个可理解的系统。而可理解性，会改变人们的行为。
确实，一开始透明度会让“玩法”更容易被利用。但这并不是缺陷，而是一个阶段。封闭系统会冻结权力，而开放系统会暴露漏洞、适应变化并不断改进。随着时间推移，系统的平衡会从愤怒和部落化转向优化和贡献。
这就是减少人工稀缺的方式。方法不是去道德化内容，而是让规则可见，从而让价值可以扩展，而不是让注意力成为争夺的对象。」
不过也有用户担忧开源以后，现在更容易作弊，优质内容浏览量很快就会爆炸式增长。
整体而言，马斯克的这波操作，也让人开始猜测，其他平台是否会跟风开源算法吗？其实如果 X 平台的“开源+透明更新”模式被证明有效，可能会倒逼其他平台做出改变。毕竟用户对算法透明的需求只会越来越高，谁先满足这个需求，谁就能占据用户心智的优势。
至于马斯克的“第一步”之后，还会有多少惊喜？我们不妨拭目以待。
参考：
https://x.com/XEng/status/2013471689087086804
https://github.com/xai-org/x-algorithm
本文来自微信公众号“CSDN”，整理：屠敏，36氪经授权发布。
