解析 X 開源推薦演算法，我們到底要製作什麼樣的內容，才能有效吸引目標受眾？

1 月 20 日下午，X 公開釋出了新版推薦演算法的原始碼。

Musk 的回應頗具看點：「我們知道這套演算法還很笨，還有很大改進空間，但至少你可以即時看到我們在努力優化。其他社群平台可沒這種魄力。」

這句話有兩層含義：一是坦承演算法有待改進，二是強調「透明化」作為亮點。

這是 X 第二度公開演算法。2023 年那一版三年未更新，早已脫離實際系統運作。本次則徹底重寫，核心模型由傳統機器學習轉向 Grok transformer，官方強調「完全移除了手動特徵工程」。

換句話說：以前的演算法仰賴工程師手動調整參數，現在則讓 AI 直接根據你的互動歷史來決定是否推薦你的內容。

對內容創作者而言，這代表過去「最佳發文時段」、「熱門 tag 增粉」等經驗法則可能失效。

我們也檢視了公開的 Github 儲存庫，在 AI 協助下，確實發現程式碼中隱藏了一些硬邏輯，值得深入分析。

演算法邏輯革新：從人工規則到 AI 自動判斷

先釐清新舊版本差異，才能正確理解後續討論。

2023 年，Twitter 公開的那一版稱為 Heavy Ranker，屬於傳統機器學習。工程師需手動定義數百項「特徵」：貼文是否有圖片、作者粉絲數、發文距今多久、是否含有連結等等。

接著為每個特徵設定權重，反覆測試最佳組合。

本次公開的新版本名為 Phoenix，架構徹底不同，可視為極度仰賴 AI 大型模型的演算法，核心採用 Grok 的 transformer 模型，與 ChatGPT、Claude 採用類似技術。

官方 README 文件明確指出：「We have eliminated every single hand-engineered feature。」

傳統依賴人工提取內容特徵的規則，已全部移除。

那麼，現行演算法如何判斷內容的優劣？

答案是依據你的行為序列。你過去按過哪些讚、回覆過哪些人、在哪些貼文停留超過兩分鐘、封鎖過哪些帳號。Phoenix 將這些行為輸入 transformer，讓模型自動歸納規則並做出判斷。

比方說：舊演算法像一張人工設計的評分表，逐項打勾計分；

新演算法則像一個看過你所有瀏覽紀錄的 AI，直接預測你下一秒想看什麼。

對創作者來說，這意味著兩件事：

第一，過去「最佳發文時段」、「黃金標籤」等技巧的參考價值大幅下降。因為模型不再依賴這些固定特徵，而是分析每位用戶的個人偏好。

第二，你的內容能否被推薦，愈加取決於「看到你內容的用戶會有何反應」。這些反應被量化為 15 種行為預測，詳情下節說明。

演算法預測你的 15 種行為反應

Phoenix 接收到一則待推薦貼文後，會預測當前用戶看到這則內容可能產生的 15 種行為：

• 正向行為：如按讚、回覆、轉推、引用轉推、點擊貼文、點擊作者主頁、觀看超過一半影片、展開圖片、分享、停留超過一定時長、關注作者
• 負向行為：如點「不感興趣」、封鎖作者、靜音作者、檢舉

每種行為對應一個預測機率。例如模型判斷你有 60% 機率按讚這則貼文、5% 機率封鎖該作者等等。

接著演算法會將這些機率乘以各自的權重，加總，得出一個總分。

公式如下：

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

正向行為權重為正數，負向行為權重為負數。

分數高的貼文排名靠前，分數低的則被下沉。

跳脫公式本身，實際上就是：

現在一則內容是否優質，已不再完全取決於內容本身（可讀性與利他性仍是傳播基礎）；而是更取決於「這則內容會讓你產生什麼反應」。演算法關注的不是貼文本身，而是你的行為。

依此邏輯，極端情況下，一則低俗但讓人忍不住回覆吐槽的貼文，分數甚至可能高於一則優質但無人互動的貼文。這或許正是這套系統的底層設計。

不過，新版公開的演算法尚未揭露具體行為權重數值，但 2023 年那版曾經公開。

舊版參考：一次檢舉 = 738 次按讚

接下來可參考 2023 年的數據，雖為舊版，卻能幫助理解各種行為在演算法中的價值差異。

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

直接看數字：

更直白地說明：

數據來源：舊版 GitHub twitter/the-algorithm-ml 儲存庫，點擊可查看原始演算法

幾個重點值得留意。

第一，按讚幾乎毫無影響。 權重僅 0.5，是所有正向行為中最低的。在演算法看來，一個讚幾乎等於零。

第二，對話互動才是真正的硬通貨。 「你回覆，作者再回你」的權重是 75，是按讚的 150 倍。演算法最重視的不是單向的讚，而是雙向互動。

第三，負向反饋的代價極高。 一次封鎖或靜音（-74）需 148 次按讚才能抵消。一次檢舉（-369）需 738 次按讚。這些負分會累積到你的帳號信譽分，影響所有後續貼文的分發。

第四，影片完播率權重極低。 僅 0.005，可忽略不計。這與抖音、TikTok 形成強烈對比，那兩個平台將完播率視為核心指標。

官方文件亦提及：「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.」

權重隨時可調整，而且確實經常變動。

新版本雖未公開具體數值，但 README 所述邏輯架構一致：正向加分，負向扣分，加權求和。

數字可能變動，但量級關係大致不變。你回覆別人的評論，效果遠勝於 100 個讚。被封鎖，比沒人互動還要糟糕。

掌握這些後，內容創作者可採取的行動

綜合分析 Twitter 新舊演算法程式碼，可歸納出以下建議：

1.回覆你的留言者。 權重表中「作者回覆留言者」為最高分項（+75），是用戶單純按讚的 150 倍。重點不是要求留言，而是有人留言就回覆。即使只回一句「謝謝」，演算法也會記錄。

2.避免讓人想滑走或封鎖。 一次封鎖的負面影響需 148 次按讚才能抵消。爭議內容雖易引發互動，但若互動方式是「這人太煩，直接封鎖」，帳號信譽分會持續受損，影響所有後續貼文。爭議流量是雙面刃，傷人也傷己。

3.外部連結建議放在留言區。 演算法不希望用戶導流至站外。貼文正文帶連結會被降權，Musk 也曾公開說明。若要導流，建議正文寫內容，連結放在第一則留言。

4.避免洗版。 新版程式碼有 Author Diversity Scorer，會對同一作者連續貼文降權。設計目的是讓用戶 feed 更加多元，副作用是連發十則不如精選一則。

6.「最佳發文時段」已成過去式。 舊版演算法有「發文時間」這項人工特徵，新版則已移除。Phoenix 只看用戶行為序列，不管貼文發表時間。那些「週二下午三點發文效果最佳」的攻略，參考價值大幅降低。

以上為程式碼層面可得的結論。

另外還有一些加分/扣分項來自 X 的公開文件，未納入本次開源儲存庫：藍勾認證有加成、全大寫會被降權、敏感內容觸發 80% 觸及率下修。這些規則未公開，本文不贅述。

總結來說，本次公開內容相當具體。

完整的系統架構、候選內容召回邏輯、排序評分流程、各類過濾器實作。程式碼主要以 Rust 和 Python 撰寫，架構明確，README 比許多商業專案還詳細。

但仍有幾項關鍵資訊未公開：

1.權重參數未公開。 程式碼僅說明「正向行為加分，負向行為扣分」，但未揭露按讚多少分、封鎖扣幾分。2023 年那版至少公開了數字，本次僅給出公式架構。

2.模型權重未公開。 Phoenix 採用 Grok transformer，但模型本身參數未公開。你可看到模型如何被呼叫，卻無法得知模型內部運算細節。

3.訓練資料未公開。 模型訓練所用資料、用戶行為如何取樣、正負樣本如何構建，皆未說明。

換句話說，這次開源等於告訴你「我們用加權求和計算總分」，但沒告訴你權重是多少；告訴你「我們用 transformer 預測行為機率」，但沒說 transformer 內部細節。

橫向比較，TikTok 和 Instagram 連這些都沒公開。X 本次公開的資訊量，確實超越其他主流平台，但距離「完全透明」仍有差距。

這並不代表開源毫無價值。對創作者及研究者而言，能檢視程式碼總比無從得知來得好。

聲明：

1. 本文轉載自 [TechFlow]，著作權歸原作者 [David] 所有，如對轉載有異議，請聯絡 Gate Learn 團隊，團隊將依相關流程儘速處理。
2. 免責聲明：本文所表達之觀點及意見僅屬作者個人立場，不構成任何投資建議。
3. 文章其他語言版本由 Gate Learn 團隊翻譯，未經提及 Gate 不得複製、傳播或抄襲本翻譯內容。