X 推薦演算法再開源：For You 排序權重、過濾機制與創作者影響一次看
X 公開更多 For You 排序權重、可見度過濾與 Phoenix 推薦模型程式。本文解讀互動訊號、透明度限制與創作者影響。
X 在 2026 年 8 月 13 日更新 For You 推薦演算法原始碼，公開更多排序權重、內容過濾規則，以及 Phoenix 推薦模型的訓練與執行程式。推薦演算法是平台從大量貼文中，決定哪些內容要出現在你面前、順序如何排列的一套系統。
這不是 X 第一次公開推薦程式。Twitter 早在 2023 年就釋出過部分原始碼，新的 x-algorithm 專案也從 2026 年 1 月開始更新。這次真正重要的地方，是 X 把「貼文如何被找出來、如何計分、什麼情況會被過濾」放進同一套更完整的公開架構。
我的判斷是中性偏多。這次更新讓外界更容易檢查 For You 的運作邏輯，也讓開發者能用合成資料跑出小型概念驗證。不過，部分防濫用規則、正式資料與 production 模型仍未公開，實際流量也可能套用實驗參數。創作者可以用它理解方向，但不能把幾個權重數字當成保證觸及的攻略。
這次 X 推薦演算法公開了什麼？
這次更新不只補上一張流程圖，而是加入一批原本外界難以確認的核心程式。主要內容可以分成四類：
- 排序參數與互動權重：公開按讚、回覆、分享、追蹤作者與負面回饋等預測訊號的主要預設權重。
- 可見度過濾系統：說明貼文何時可以正常顯示、需要警告遮罩，或直接不進入 For You。
- Phoenix 模型程式：加入訓練、檢索與排序程式，並提供合成資料產生工具。
- 更多候選來源與內容標籤系統：包括從未追蹤帳號尋找貼文的 SimClusters，以及辨識垃圾內容、成人內容、暴力媒體與異常帳號行為的元件。
這比單獨公開一個 AI 模型更有意義。推薦結果不是只由模型決定，候選來源、過濾條件、分數權重與後續重排都會改變你最後看到的內容。這次 repository 的價值，在於讓外界能沿著整條路徑檢查，而不是只看到中間一個模型名稱。
X 的 For You 推薦流程怎麼運作？
每次使用者開啟或重新整理 For You，系統都會重新組出一批貼文。候選內容先從兩個方向進來：
- 追蹤圈內內容（In-Network）：Thunder 系統保留你所追蹤帳號的近期貼文。
- 追蹤圈外內容（Out-of-Network）：Phoenix 與 SimClusters 從你沒有追蹤的帳號中，尋找可能感興趣的貼文。
候選貼文進入排序前，系統會先移除重複內容、超過 48 小時的貼文、你已經看過的貼文、被封鎖或靜音帳號的內容，以及命中靜音關鍵字或無權閱讀的訂閱貼文。這裡的 48 小時限制只出現在這條 For You 候選流程，不能解讀成舊貼文會從整個 X 消失。
留下來的貼文交給 Phoenix。它是一套以 Transformer 為核心的推薦模型。Transformer 可以理解成會根據一連串使用者行為與貼文內容，找出其中關係的 AI 架構。Phoenix 會讀取使用者近期互動，分別預測他對每篇貼文按讚、回覆、分享、點開、停留、追蹤作者，或給出負面回饋的機率。
這些機率再乘上不同權重，加總成初步分數。系統接著降低同一作者連續出現的機會，對未追蹤來源套用折扣，也會給曝光較少的新作者一定程度的提升。最後還有一次重排，刻意減少相鄰貼文過度相似的情況。
廣告、Who to Follow 與平台 prompts 則在另一條 Blending Pipeline 加入。換句話說，For You 不是一個模型從頭排到尾，而是多個來源、模型與規則共同組成的結果。
按讚、回覆、分享的權重是多少？
X 公開的主要預設值，讓外界第一次能較具體地看到不同互動如何進入分數計算。以下整理較容易影響創作者判斷的項目：
| Phoenix 預測的使用者行動 | 公開預設權重 |
|---|---|
| 按讚 | 0.5 |
| 回覆 | 5.0 |
| 雙向追蹤者之間的回覆 | 額外 +15.0 |
| 轉發 | 1.0 |
| 引用 | 5.0 |
| 一般分享 | 2.0 |
| 私訊分享 | 5.0 |
| 複製連結分享 | 20.0 |
| 追蹤作者 | 4.0 |
| 不感興趣 | -43.2 |
| 封鎖作者 | -31.2 |
| 靜音作者 | -58.8 |
| 檢舉 | -234.0 |
表面上看，複製連結的 20 分是按讚 0.5 分的 40 倍，但不能因此說「一次複製連結等於 40 個讚」，更不能推導成觸及會增加 40 倍。
原因是系統加總的不是實際互動次數，而是「模型預測這個人會採取該行動的機率」。按讚很常發生，複製連結與檢舉則相對少見，權重本來就同時反映平台對行動的重視程度與事件發生率。初步分數後面還要經過來源折扣、作者多樣性、重排、內容過濾與流量實驗。
比較合理的結論是：X 不只在意容易取得的按讚，也重視需要更強意圖的回覆、分享與追蹤。負面訊號的絕對值更大，代表誘導互動若同時增加靜音、封鎖或檢舉，可能得不償失。
同一個作者發太多貼文，真的會被降權嗎？
公開程式確實包含「作者多樣性」調整，但它不是網路上常說的帳號級懲罰。
在同一次 For You 候選集合裡，同作者第一篇貼文維持原分數，第二篇的預設乘數約為 0.625，第三篇約為 0.4375，後續逐步接近 0.25。目的很直接：即使某個作者同時有多篇高分內容，也不要讓整個畫面被同一人占滿。
這能支持「短時間內多篇貼文可能彼此競爭版位」，卻不能支持「一天發超過幾篇就會讓整個帳號被懲罰」，也不能證明跨多個主題一定會降觸及。公開程式呈現的是單次候選排序邏輯，沒有提供那兩種說法需要的帳號級證據。
未追蹤帳號的貼文也有預設 0.75 倍折扣，主題型內容的未追蹤來源則是 0.5 倍。這表示追蹤關係仍然重要，但折扣不是封鎖。只要 Phoenix 預測某篇貼文與使用者高度相關，追蹤圈外內容仍可能排到前面。
可見度過濾：排名高，不代表一定能顯示
這次更新另一個關鍵，是把「排序」與「能不能顯示」拆得更清楚。
排序負責決定先後順序；可見度過濾則會對每篇貼文給出三種結果：正常顯示的 ALLOW、加上警告遮罩的 INTERSTITIAL，或不在該位置顯示的 DROP。判斷會參考使用者自己的封鎖與靜音設定，也會讀取其他系統加在貼文與帳號上的標籤。
公開的標籤系統會分析垃圾內容、成人或暴力媒體、仇恨符號，以及帳號是否出現異常或濫用行為。部分規則對追蹤圈外推薦更嚴格，例如某些高召回率的垃圾內容偵測，可以讓貼文不推薦給陌生人，但仍允許既有追蹤者看到。
這說明創作者只研究互動權重並不完整。內容先拿到高分，若後續被可見度規則過濾，仍然進不了 For You。對一般使用者來說，這也解釋了為什麼「我看得到自己的貼文」與「陌生人會在推薦頁看到」是兩個不同問題。
Under the Hood 能看到自己被加了哪些標籤
X 同時推出測試中的 Under the Hood 透明度工具，讓使用者查看帳號與貼文上可能影響可見度的標籤彙總。依 X Open Source 官方文章，首波會從符合資格的帳號中隨機抽選測試者。帳號必須建立至少 1 年，且過去 1 個月至少發布 10 篇貼文；符合測試資格的使用者還能下載當月標籤資料。
這個工具補上了只看程式碼時缺少的一塊。使用者不只知道「哪些標籤可能影響推薦」，還能檢查自己的帳號是否真的出現相關結果，以及標籤是由自動系統還是人工方式套用。
不過，這仍是逐步推出的 pilot，不是所有符合條件的帳號都會立即看到入口。目前公開說明談的也是帳號與貼文標籤，不是每一次曝光的完整決策紀錄。它能幫助使用者縮小問題範圍，但還不能回答「這篇貼文為什麼少了多少曝光」這種精確問題。
對創作者來說，哪些做法比較有根據？
從公開程式可以整理出幾個較可靠的方向，但它們都不是保證流量的公式。
1. 內容要讓人願意回應或分享，不只是按讚
回覆、私訊分享、複製連結與追蹤作者的權重都高於按讚。創作者可以把重點放在可延伸討論、值得轉傳或能建立長期主題定位的內容，而不是只追求低成本的表情式互動。
但刻意要求所有人複製連結，未必能騙過系統。Phoenix 預測的是特定使用者對特定內容的行動機率，平台也同時觀察負面回饋。若內容讓人覺得被操弄，增加靜音或封鎖，反而可能抵銷正面訊號。
2. 同一時間不要讓多篇內容互相搶版位
作者多樣性會降低同一批候選中重複作者的後續分數。對創作者來說，與其短時間內連續丟出多篇同等重要的內容，不如拉開節奏，讓每篇貼文有較完整的互動時間。
這是根據單次 feed 排序得到的實務判斷，不等於 X 公布了最佳發文頻率。帳號規模、追蹤者上線時間、內容生命週期與主題仍會改變結果。
3. 發布後前 48 小時是 For You 的主要候選期
公開的預先過濾會移除超過 48 小時的貼文，因此新貼文在前兩天取得相關互動尤其重要。創作者可以在受眾較活躍的時間發布，也可以在其他管道引導真正有興趣的讀者回來參與討論。
這項限制針對 For You 候選流程，不代表舊內容完全失去價值。搜尋、個人頁面、引用貼文與其他入口仍可能讓舊文繼續被看到。
4. 降低負面回饋，比堆高單一互動更重要
「不感興趣」、封鎖、靜音與檢舉都是明確負權重。與其用誇張標題騙取一次點擊，更穩定的做法是讓標題與內容一致，控制重複宣傳頻率，並避免把不相關的熱門話題硬塞進貼文。
這也讓「高互動就一定有高觸及」失去成立條件。爭議內容可能同時帶來大量回覆與大量負面行動，最後結果要看模型預測、權重與過濾共同作用。
開發者可以直接跑出 X 的推薦系統嗎？
部分可以，但不能複製 production 效果。
Phoenix 的 Quickstart 提供合成資料、小型模型訓練、checkpoint 恢復，以及從 retrieval 到 ranking 的完整概念驗證。合成資料是依規則產生、用來測試流程的資料，不是真實 X 使用者紀錄。官方流程需要 Linux、NVIDIA GPU、CUDA 12、Python 3.11 以上與 Rust 工具鏈。
這套程式適合研究推薦系統架構、驗證整合流程，或建立自己的實驗版本。它不包含 X 的 production data、正式模型 checkpoint、部署編排與平台規模，因此跑通範例只能證明程式可以串起來，不能證明你重建了 X 的推薦品質。
整個 repository 採用 Apache License 2.0。這是一種允許使用、修改與散布的開源授權，但重用時仍要遵守授權中的版權聲明、NOTICE 與修改標示等要求。
這次算「完全透明」嗎？
還不能。
X 明確表示，為了降低外界反向操弄系統的風險，目前沒有公開 Grox 的具體 prompts，以及部分 botmaker rules。部分元件也缺少 production data、模型 checkpoint、部署檔案與內部基礎設施。這些缺口不代表公開程式沒有價值，但會限制外部研究者重現實際推薦結果的能力。
設定值也不是永遠固定。官方表示 repository 內的預設值會由排程同步成主要 production values，但 X 仍會在部分流量上進行實驗，個別使用者可能拿到不同設定。官方的目標，是讓占有明顯流量、例如 10% 以上的實驗反映在公開 repository，而不是保證每次請求都與 GitHub 完全相同。
所以更準確的評價是：這次更新把 X 推薦演算法從「可看見部分架構」推進到「可以審查主要流程與參數」，但還沒到外界能完整重現、逐次驗證 production 決策的程度。
X 推薦演算法常見問題
X 是第一次開源推薦演算法嗎？
不是。Twitter 在 2023 年 3 月已公開過部分推薦演算法。2026 年的 xai-org/x-algorithm 是新的專案與架構，本次 8 月更新則進一步補上主要權重、可見度過濾與 Phoenix 訓練流程。
複製連結真的比按讚有效 40 倍嗎？
不能這樣解讀。20 與 0.5 是模型預測值的權重，不是每一次真實互動直接增加的觸及倍數。兩種行動的發生率不同，分數後面也還有其他調整與過濾。
一天發太多篇 X 貼文會被降權嗎？
公開程式只能確認，同一次 feed 候選中，同作者的第二、第三篇貼文會被套用較低乘數。它沒有直接證明一天超過某個篇數就會讓整個帳號被懲罰。
X 會推薦沒有追蹤的帳號嗎？
會。Phoenix 與 SimClusters 專門尋找追蹤圈外的候選貼文。這些內容預設會套用來源折扣，但仍會和追蹤中帳號的貼文一起排序。
可以用公開程式重建 X 嗎？
可以跑出小型的 retrieval 與 ranking 概念驗證，但無法重建完整 production 系統。正式資料、模型 checkpoint、部署環境、部分規則與平台規模都沒有包含在公開版本中。
結論：這是一張更清楚的地圖，不是流量保證書
X 這次公開的價值，不在於讓創作者找到一組「照做就爆文」的數字，而是把候選來源、模型預測、排序權重、作者多樣性與可見度過濾放進同一張可檢查的地圖。
對創作者來說，最值得帶走的不是「複製連結 20 分」，而是 X 同時衡量深度互動、長期關係與負面回饋。能讓真正有興趣的人願意回覆、分享或追蹤，又不造成靜音與封鎖的內容，才比較符合這套系統的方向。
對開發者與研究者來說，這次更新已足以研究完整流程，仍不足以重現 production 結果。若 X 後續持續同步主要參數、擴大 Under the Hood 的可用範圍，並讓外部研究者能驗證更多實際效果，這次的中性偏多評價才有理由進一步上調。
