X新算法揭密：此行為價值暴增150倍
原文作者：David，深潮 TechFlow
2025 年 1 月 20 日下午，X（原 Twitter）正式開源其新版推薦算法，引發業界廣泛關注。
馬斯克在貼文中回應道：「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。」
這句話背後藏有兩層含義：一是坦承當前系統仍不完善，二是以「透明化」作為核心競爭優勢。
這是 X 第二次公開其推薦算法代碼。與 2023 年那版三年未更新、早已脫節於實際運行系統的舊版本不同，這次的新版為完全重寫之作，核心模型從傳統機器學習全面轉向 Grok transformer 架構，官方強調已「徹底消除手工特徵工程」。
換句話說：過去靠工程師手動設定規則來決定內容是否被推薦；現在則由 AI 根據用戶的互動歷史自動判斷，直接預測你會對某條內容做出什麼反應。
對於內容創作者而言，這意味著以往流行的「最佳發帖時間」「黃金標籤」等操作技巧可能將不再奏效。
我們也深入研究了其 GitHub 開源倉庫，在 AI 輔助下梳理出其中隱藏的核心邏輯，值得細細剖析。
算法演進：從人工定義到 AI 自主學習
要理解此次變革的意義，必須先釐清新舊兩版算法的根本差異。
2023 年推出的 Heavy Ranker 屬於傳統機器學習系統，工程師需手動設計上百項「特徵」——例如是否有圖片、發文者粉絲數、是否包含連結、發佈時間等，再透過調整各特徵權重來優化推薦效果。
而本次開源的新版命名為 Phoenix，整體架構徹底翻新，採用類似 ChatGPT 和 Claude 的 transformer 技術，基於 X 自家開發的 Grok 模型構建。
其官方 README 明確指出：「We have eliminated every single hand-engineered feature.」所有人工設計的規則全部移除。
那麼，現在是什麼決定一條內容能否被推薦？答案是：你的行為序列（Behavior Sequence）。
Phoenix 會分析你過去的點贊、回覆、停留超過兩分鐘的貼文、封鎖或靜音的帳號等行為，將這些資料輸入 transformer 模型，讓 AI 自行歸納出你的偏好模式。
可以這樣比喻：舊算法像一份人工評分表，每項條件打勾計分；新算法則像一個看過你所有瀏覽紀錄的 AI，直接猜你想看什麼。
對創作者來說，這帶來兩個關鍵變化：
第一，過去依賴的「發文時段」「熱門 hashtag」策略參考價值大幅降低。 因為系統不再查看這些固定參數，而是根據每位用戶的個人偏好動態調整。
第二，內容能否爆紅，越來越取決於「看到你內容的人會如何反應」。 這種反應被量化成 15 種可預測的行為，下一節將詳細說明。
15 種行為預測：算法如何評估你的反應
當 Phoenix 收到一則待推薦的貼文時，會針對當前用戶預測其可能產生的 15 種行為：
- 正向行為：如點贊、回覆、轉推、引用轉推、點擊貼文、點擊作者主頁、觀看一半以上影片、展開圖片、分享、停留一定時長、追蹤作者
- 負向行為：如點選「不感興趣」、封鎖作者、靜音作者、檢舉
每一種行為都對應一個預測概率。例如模型判斷你有 60% 機會點贊該貼文、5% 機會封鎖發文者等。
接著，系統進行簡單計算：將每種行為的概率乘以其對應權重，加總得出最終得分。
公式如下：
Final Score = Σ ( weight × P(action) )
正向行為權重為正數，負向行為則為負數。總分越高，越容易出現在用戶的動態消息中。
換言之，內容本身的品質不再是唯一標準，更重要的是它能引發何種用戶行為。 即使是一篇低質但引發大量爭議回應的貼文，也可能勝過一篇高品質卻無人互動的文章。
儘管新版未公開具體權重數值，但 2023 年版本曾釋出相關數據，仍具參考價值。
從舊數據看行為價值：一次檢舉 = 738 次點讚
雖然當前版本未公布權重細節，但 2023 年 4 月 5 日，X 曾在 GitHub 上公開過一組原始權重設定。
以下是當時公布的數值：
進一步解讀：
資料來源：舊版 GitHub 倉庫 twitter/the-algorithm-ml，可點擊查閱原始算法
幾個重點值得關注：
第一，點讚幾乎毫無價值。 權重僅 0.5，是所有正向行為中最低。在算法眼中，單純點讚幾乎不影響推薦。
第二，對話才是王道。 「你回覆 → 作者再回覆」的權重高達 75，是點讚的 150 倍。平台真正鼓勵的是雙向交流，而非單向支持。
第三，負面反饋成本極高。 一次封鎖或靜音（-74）需 148 次點讚才能抵銷；一次檢舉（-369）更需 738 次點讚補償。這些負分會累積至帳號信譽系統，長期影響所有內容的觸及率。
第四，影片完播率不受重視。 權重僅 0.005，近乎忽略。與抖音、TikTok 將完播率視為核心指標形成鮮明對比。
官方文件亦坦言：「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.」
雖數值可能已調整，但行為之間的量級關係大概率仍維持不變：與他人互動遠勝於被動點讚；遭用戶封鎖比無人互動更嚴重。
創作者實戰建議：從代碼中提煉出的策略
綜合新舊算法分析，我們整理出以下可執行的操作建議：
1. 回覆每則留言。 「作者回覆評論者」權重 +75，是點讚的 150 倍。不必刻意求讚，只要有人留言就回，哪怕一句「謝謝」也能提升曝光。
2. 避免引發負面情緒。 一次封鎖需 148 次點讚彌補。爭議性內容雖易引發互動，但若導致大量 block 或 mute，帳號信譽將受損，長期不利內容分發。
3. 外鏈請放留言區。 正文含外鏈會被降權，這是 Musk 公開承認的事實。導流策略應改為：正文專注內容創作，連結置於第一則留言。
4. 別頻繁刷屏。 新版代碼中有 Author Diversity Scorer 機制，會對同一作者連續出現的貼文降權，目的在提升資訊多樣性。與其一天發十篇，不如精心打造一篇。
6. 不必迷信「最佳發文時間」。 舊版尚有「發佈時間」作為特徵之一，新版已徹底刪除。Phoenix 僅依據用戶行為序列推薦，不再考慮發文時段。所謂「週二下午三點最適合發文」的攻略，已逐漸失效。
以上皆來自開源代碼的直接解讀。
此外，X 官方文件中另有未開源的加分減分項目：藍勾認證有加成、全大寫文字會被降權、敏感內容觸發 80% 觸及限制等。因不在本次開源範圍內，此處不作詳述。
總體而言，此次開源內容相當扎實。
涵蓋完整的系統架構、候選內容召回邏輯、排序流程與過濾機制。主要使用 Rust 與 Python 寫成，結構清晰，README 文件詳盡程度甚至超越許多商業專案。
然而，仍有三項關鍵資訊未公開：
1. 權重參數未揭露。 僅說明「正向加分、負向扣分」的框架，實際數值如點讚幾分、封鎖扣多少分，並未公布。相較之下，2023 年版本至少提供了具體數字。
2. 模型權重未釋出。 Phoenix 使用 Grok transformer，但模型內部參數未開放。你能看到模型如何被呼叫，卻看不到其內部運作方式。
3. 訓練資料未提供。 包括訓練數據來源、用戶行為抽樣方法、正負樣本構造方式等，皆未說明。
簡言之，這次開源如同告訴你「我們用加權總和算分」，但沒說權重是多少；告知「我們用 transformer 預測行為」，卻不公開模型結構。
横向比較，TikTok 與 Instagram 從未公開任何算法細節。X 此次披露的資訊量，確實遠超其他主流平台。只是距離「完全透明」仍有一步之遙。
但這不代表開源毫無價值。對創作者與研究者而言，能看到代碼本身，已是重大突破。
