X平台推荐算法开源事件概述 - 马斯克旗下X平台于1月20日正式开源了其全新的推荐算法，该算法采用了与xAI旗下Grok模型相同的Transformer架构，相关开源信息引发巨大关注，帖子浏览量接近4000万，源码仓库在两天内收获超过1万收藏[2] 算法核心架构与机制 - 新算法移除了所有手工设计的特征和大多数人工规则，从“人写规则，机器执行”转变为由AI主导的推荐系统[3] - 用户信息流内容主要由两个系统提供：Thunder系统负责实时搬运用户关注对象的动态，提供亚毫秒级查询；Phoenix系统则负责从全平台内容中推荐用户未关注但可能喜欢的内容[3][4] - 推荐系统的核心是预测用户对内容可能产生的15种行为（包括点赞、回复、转发等正向互动及“不感兴趣”、举报等负面反应），并将这些行为预测转化为概率值进行加权计算，得出内容的最终得分[6] - 在打分前，内容需通过9个过滤器进行初步筛选，排除重复、信息不完整、过时或用户已看过的帖子[8] 新算法对内容价值与传播逻辑的重塑 - 内容价值不再取决于已有的点赞或粉丝数，而在于算法预测其未来能引发何种互动，系统试图量化“共鸣”和“厌恶”的概率[4][6][7] - 粉丝数在推荐候选阶段（Phoenix系统）的影响被极大削弱，模型更关注用户向量与内容向量的匹配度，小号内容若引发互动同样有机会被推荐[4][12] - 算法预测的更新频率为每四周一次，这意味着内容传播环境处于持续变化中[12] 基于算法逻辑的内容创作策略分析 - 用户回复评论的权重极高，“评论+作者回复”的综合权重约等于单纯点赞的75倍，鼓励创作者积极回复以促进内容扩散[11] - 算法非常重视用户的停留阅读时间，有信息密度和阅读价值的内容胜过快速刷屏式发布[11] - 对于视频内容，算法更关心用户是否会点开，因此封面、标题和开头比剪辑精致度更重要[12] - 精准使用热门主题标签有助于机器进行语义理解，提升内容曝光[22] - 帖子发布后的首小时互动数据是算法刷新时重点考察的指标，高互动直接决定推送范围[22] - 应避免引发用户的负面反馈信号，如被标记“不感兴趣”、静音或举报，这些会显著降低推荐权重[22] - 鼓励以提问结束帖子、邀请用户反驳等策略来启动对话，算法奖励能引发讨论的内容而非被动消费的内容[27][28][32] - 在长帖中插入视觉元素（如表情符号或换行）可降低用户滚动速度，从而提高“阅读时长”的权重[30] - 算法存在“多样性惩罚”机制，会限制同一作者在信息流中的连续出现，刷屏策略无效[36] 算法透明化带来的行业影响与潜在趋势 - 算法开源使得推荐机制比过去更透明，削弱了粉丝数和人工规则的影响，在某种意义上更“公平”[12] - 算法逻辑可能放大争议性、情绪化和冲突性内容，因为这类内容天然更容易制造互动，只要未触发举报或屏蔽，就可能在算法体系中被持续放大[12] - 当创作者以“模型认为什么内容更易引发反应”为思路进行创作时，创作可能从自我表达转向讨好AI预测系统[13] - 新算法显示出从“热度驱动”和“关注关系”向“兴趣匹配”及“圈层穿透”转变的趋势，小众领域的深度讨论有机会被推荐给跨领域但有重叠兴趣的用户[31][37]

北京时间1月11日，当马斯克轻描淡写地说出那句——"七天后开源算法"时，几乎所有人都当成了又一次"画饼"。 毕竟，这几个月，X.com平台风波不断，裁员、平台出现AI生成争议性内容、与监管机构摩擦不断…… 但这一次，虽然不是那么准时，他确实交卷了。 1月20日，X平台工程团队@XEn正式宣布：全新的X推荐算法已在GitHub开源。这套算法采用了与xAI旗下Grok模型相同的Transformer架构。开源信息迅 速引发巨大关注，相关帖子浏览量接近4000万，即便是偏"硬核"的源码仓库，两天内也收获了1万+收藏。 AI主导推荐机制 在官方说明文件中，X明确写道："他们已经移除了所有手工设计的特征和大多数人工规则。" 这意味着什么？ 过去，内容是否被推荐，背后是一套高度工程化的规则体系：点赞权重多少、转发权重多少、粉丝数是否加成、人工白名单、人工降权……本质上， 是"人写规则，让机器执行"。 而现在，这些"人写给机器看的规则"，基本不复存在了。 国内外一些手快的网友们都已经开始根据算法总结如何成为大V了。 取而代之的是一套由AI主导的推荐系统——一个与Grok使用同类Transformer架构的模型。它通过观察用 ...

文章核心观点 - 马斯克领导的X公司时隔近三年再次开源其核心推荐算法，旨在提升平台透明度并应对外界对其内容分发机制的系统性质疑 [1][11][12] - 开源的算法采用了与Grok相同的Transformer架构，通过端到端学习预测用户兴趣，代表了推荐系统向大模型驱动演进的技术趋势 [1][4][7] - 推荐系统是互联网公司的核心基础设施，直接影响用户参与度和商业变现，而大型语言模型（LLM）为简化传统复杂、碎片化的推荐工程架构提供了新的可能路径 [18][21][22] X推荐算法开源事件详情 - 开源时间与承诺：马斯克于2024年1月11日承诺在7天内开源新X算法，并于近期兑现，计划每4周更新一次代码并附开发者说明 [11] - 开源内容：此次开源的是为“为你推荐”信息流提供支持的核心推荐系统，包含算法框架，但未包含模型权重、具体打分参数及训练数据 [1][17][20] - 历史渊源：这是马斯克第二次开源X（前身为Twitter）的推荐算法，首次开源在2023年3月31日，当时项目在GitHub获得超过10k颗Star [9] - 开源动机：此举被视为应对平台被批评算法系统性偏袒右翼观点、内容审核机制失效等争议，旨在提升透明度和公信力，而非纯粹的技术决策 [12] 开源算法技术架构与逻辑 - 核心模型：采用基于Grok的Transformer模型对内容进行排名，该架构与Grok相同，通过端到端学习预测用户行为概率并加权得出综合得分 [1][4] - 内容来源：算法从两大来源获取候选内容，包括用户关注的账号（In-Network）和平台通过机器学习检索发现的其他帖子（Out-of-Network） [3] - 处理流程：系统会过滤掉低质量、重复、违规、用户已屏蔽或不感兴趣的内容，仅对有价值的候选内容进行排序 [4][6] - 行为权重：根据用户社区总结，算法对“回复+作者回应”的权重是点赞的75倍，包含链接或用户不回复评论会降低曝光率，用户观看时长是关键指标 [14] 推荐系统的行业地位与LLM的影响 - 商业核心地位：推荐系统是互联网巨头的关键基础设施，直接驱动商业变现，例如亚马逊约35%的购买、Netflix约80%的观看时长、YouTube约70%的观看来自推荐系统 [18] - 工程复杂性：传统推荐系统通常由数十个专用模型（如召回、粗排、精排模型）组成，导致工程复杂、维护成本高、跨任务协同困难 [19][21] - LLM带来的变革：大型语言模型（LLM）作为通用模型，有望用一个模型解决多个推荐问题，显著降低系统复杂度，并实现不同任务间的“交叉学习”潜力 [21][22] - 能力跃迁：LLM改变了传统依赖人工特征工程的方式，其基于海量数据训练出的理解能力，使其能够直接理解推荐任务本身并综合判断，而非仅执行规则 [22][23]

一、马斯克兑现承诺开源X推荐算法！100% AI驱动0人工规则 - 马斯克兑现承诺，开源了X平台的全新推荐算法，该算法采用与Grok相同的Transformer架构，完全移除了手工特征和人工规则，由AI驱动 [1] - 算法通过Thunder和Phoenix双引擎构建信息流，预测15种用户行为并加权计算得分，其中回复作者评论的权重是点赞的75倍 [1] - 算法中负面反馈（如拉黑、举报）会严重降低内容权重，停留时间和真实互动成为核心指标，小号也有机会获得曝光，粉丝数量优势被削弱 [1] 二、智谱GLM-4.7-Flash开源，首次采用DeepSeek的MLA架构 - 智谱AI开源轻量级模型GLM-4.7-Flash，总参数为300亿，激活参数仅30亿，定位为“本地编程与智能体助手”，其API免费开放调用 [1] - 该模型首次采用了DeepSeek率先使用的MLA架构，支持200K上下文窗口，在SWE-bench代码修复测试中得分为59.2分 [1] - 本地部署实测在苹果M5芯片上可达到每秒43个token的生成速度，已支持HuggingFace、vLLM及华为昇腾NPU [1] 三、MiniMax 揭开第二代智能体面纱，定位 AI-native Workspace - MiniMax发布Agent 2.0，定义为“AI原生工作台”，推出桌面端应用实现本地与云端无缝连接，可操作本地文件并启动网页自动化任务 [2] - 推出Expert Agents功能，通过封装私有知识和行业标准作业程序打造垂直领域专家分身，能将通用专家的70分水平提升至95分甚至100分 [2] - 用户可自定义Expert Agents，实现从研读到交付的闭环能力，桌面端已上线Windows和Mac双版本 [2] 四、阶跃星辰多模态小模型Step3-VL-10B 开源，10B击败200B - 阶跃星辰开源多模态模型Step3-VL-10B，仅100亿参数在多项评测中媲美甚至超越了GLM-4.6V 1060亿、Qwen3-VL 2350亿等模型 [3] - 模型具备极致视觉感知、深层逻辑推理和端侧Agent交互三大核心能力，在AIME数学竞赛测试中达到世界第一梯队水平 [3] - 模型采用1.2万亿数据全参数联合预训练、超过1400次强化学习迭代和创新的PaCoRe并行协调推理机制，Base和Thinking版本同时开源 [3] 五、月之暗面正在进行新一轮融资，新融资估值达到48亿美元 - 月之暗面正在进行新一轮融资，估值达到48亿美元，较20天前公布的C轮43亿美元估值上涨了5亿美元，融资可能很快完成 [4] - 公司目前现金持有量超过100亿元人民币，短期不急于上市，计划将上市作为加速通用人工智能的手段择时而动 [4] - 技术层面聚焦于Token效率与长上下文能力，提出Muon优化器实现2倍效率提升，并推出Kimi-Linear线性注意力机制 [5] 六、真可用游戏Agent诞生！可实时高频决策，思维链还全程可见 - 超参数科技推出游戏智能体COTA，完全由大模型原生驱动，在第一人称射击游戏中实现职业级水准表现，其推理链路全程可见 [6] - 采用“双系统分层架构”模拟人类快慢思考，Commander负责战略决策，Operator执行毫秒级操作，将响应时间压缩至100毫秒 [6] - 该产品验证了大模型在高频对抗游戏场景的可行性，为具身智能等现实世界问题提供了参考思路 [6] 七、微软CEO：掌握模型编排能力，才能在AI时代建立护城河 - 微软CEO纳德拉表示，人工智能正在接管复杂的知识工作，企业竞争的关键不是寻找最厉害的模型，而是掌握“模型编排”能力 [7] - 人工智能普及需要从供给侧提升“每美元每瓦特产生token的效率”，需求侧则要求企业从“观念、能力、数据”三个维度推动转型 [7] - 真正的“企业主权”是将独有的经验和知识转化为自己掌控的人工智能模型，防止核心价值流向模型提供商 [7] 八、a16z 2026预测：创业公司的机会在“有主见”的交互界面 - a16z分析指出，ChatGPT周活跃用户达8至9亿保持霸主地位，但Gemini增速达155%正在追赶，AI助手市场呈现“赢家拿走大头”格局 [8] - OpenAI通过ChatGPT界面推送的购物、任务、学习等新体验均未真正突围，受限于现有对话框界面难以提供一流产品体验 [8] - 成功突围的人工智能产品如Replit、Suno、Character AI的共同点是拥有观点鲜明且专注的界面，创业公司机会在于针对特定工作流的深度优化 [8] 九、大模型人格可以被量化！Anthropic最新论文发现辅助轴 - Anthropic研究团队发现模型人格可以被量化，存在一个主导维度“辅助轴”，用于衡量模型以“智能助手”模式运行的程度 [9] - 通过沿辅助轴方向进行干预可以控制模型的角色扮演意愿，向智能助手方向引导能显著降低有害回答的比例，抵御人格越狱攻击 [9] - 提出“激活上限”技术，可在几乎不损伤模型性能的前提下，将人格越狱成功率降低近60%，为人类控制人工智能开辟了新路径 [9]

开源事件与算法发布 - 马斯克宣布并如期开源了X平台的推荐算法，旨在通过公开透明展示其改进努力，并指出没有其他社交媒体公司会这样做 [1] 算法架构与核心机制 - 算法由Home Mixer、Thunder、Phoenix等组件构成，核心是利用基于Grok的Transformer模型对“关注账号内容”和“全网挖掘内容”进行排序 [3] - 算法完全摒弃了人工设计的特征和启发式规则，依赖模型从用户互动历史中学习相关性 [5] - 工作流程包括：抓取用户行为数据、从两个渠道获取候选内容、进行数据补充和多轮筛选、用模型预测点赞转发等行为概率、加权计算最终得分并呈现给用户 [5] 技术实现与开源状态 - 推荐算法使用Rust和Python语言编写，采用Apache-2.0许可证开源 [5] - 开源项目在GitHub上已获得1.1k星标和195个fork [5] - 开源代码库的地址为 github.com/xai-org/x-algorithm [6]

X推荐算法开源事件概述 - 马斯克旗下X平台时隔近三年再次开源其核心推荐算法 该算法负责生成用户主界面的“为你推荐”信息流 [2][12] - 开源库包含支持“为你推荐”信息流的核心推荐系统 结合了用户关注账号的网络内内容和通过机器学习检索发现的网络外内容 并使用基于Grok的Transformer模型对所有内容进行排名 [3] - 开源项目在GitHub上已获得679颗星 代码主要由Rust（62.9%）和Python（37.1%）语言构成 [5] 算法核心架构与运行逻辑 - 算法从两类来源抓取候选内容：用户主动关注的账号发布的帖子（In-Network）以及系统在整个内容库中检索出的可能感兴趣的帖子（Out-of-Network） [6][9] - 系统会过滤掉低质量、重复、违规或不合适的内容 例如已屏蔽账号的内容、用户明确不感兴趣的主题以及非法、过时或无效的帖子 [7][10] - 算法核心是使用一个基于Grok的Transformer模型对每条候选帖子进行评分 该模型根据用户历史行为预测点赞、回复、转发、点击等行为的概率 并将这些概率加权组合成一个综合得分以决定推荐顺序 [7] - 这一设计基本废除了传统手工提取特征的做法 改用端到端的学习方式预测用户兴趣 [8] 开源背景与动机 - 这是马斯克第二次开源X推荐算法 首次开源是在2023年3月31日 当时开源了大部分推荐算法 项目在GitHub收获超过10k颗星 [12] - 马斯克曾表示开源目标是让X成为“互联网上最透明的系统” 并希望独立第三方能确定平台可能向用户展示的内容 [12] - 过去一年 X因其内容分发机制屡次陷入争议 被批评算法层面存在系统性偏见 偏袒和助长右翼观点 [18] - 马斯克在2025年1月11日发帖承诺将于7天内开源新的X算法 包括用于确定推荐哪些自然搜索内容和广告内容的所有代码 [14] - 公司计划每4周重复一次开源流程 并附有详细的开发者说明以帮助了解变化 [15] 行业专家解读 - 专家指出 从系统整体设计看 开源代码依然遵从召回（recall）到排序（rank）的多阶段漏斗筛选架构 Grok模型并未参与中间过程 只是排序模型采用了类似Grok的架构 但参数量远小于Grok [35] - 最大的结构变化在于使用纯Transformer（类Grok）模型结构去做排序 其他差异不大 [36] - 若要实现“每日处理上亿条内容并进行实时多模态理解”的目标 将需要极其充足的GPU算力、高并发处理引擎以及可高速访问的大型文件系统 尤其是处理视频内容计算量巨大 [37] - Grok方法消耗的算力是传统推荐系统的数千倍 这部分成本往往不能被平台收益覆盖 对于X这样以广告为核心收入的平台 只有做到延迟和体验对标原有系统 广告收入才可能持平 但目前来看投入成本过高 投资回报率过低 [37] - 这种“持续、周期性开源”代码的方式 由于只开源代码而不开源所有配套系统和训练数据 无法复现其效果 因此对学术研究价值不大 对工业交流有一定参考意义 [38] - 即使Grok思路跑通 其他平台也不一定会跟进 因为其他平台没有属于自己的Grok 且大部分平台不会在此投入巨额算力 [39] - 行业不会弱化对用户行为和画像的依赖 用户历史行为是实现个性化的数据根基 缺少这部分信息的推荐系统很难做到千人千面 [39] 推荐系统的行业地位与LLM带来的变革 - 推荐系统是互联网巨头商业模式的“基础设施级存在” 堪称“沉默巨兽” [25] - 公开数据显示 亚马逊约35%的购买行为直接来自推荐系统 Netflix约80%的观看时长由推荐算法驱动 YouTube约70%的观看来自推荐系统 Meta内部约80%的算力周期用于服务推荐相关任务 [25] - 如果将推荐系统从这些产品中移除 几乎等同于抽掉地基 它直接决定平台“如何赚钱” [27] - 传统推荐系统架构工程复杂度极高 生产系统往往高度碎片化 一个完整的推荐链路背后通常同时运行着30个甚至更多专用模型 [28] - 大型语言模型的出现为推荐系统提供了新的可能路径 LLM是强大的通用模型 在不同任务间迁移能力强 随着数据规模和算力扩展 性能还能持续提升 [29] - 单一大模型带来的不仅是工程简化 还包括“交叉学习”的潜力 不同任务之间的信号可以相互补充 [29] - LLM对推荐系统最大的改变发生在“特征工程”环节 传统方法需要人为构造大量信号 而引入语言模型后 流程被高度抽象 模型可以基于理解能力自行判断重要信号并做出决策 [31] 开源内容的局限性与社区反应 - 有网友指出 虽然架构开源 但此次发布本质上是一个框架 缺少部分关键内容 例如具体的权重参数、隐藏的模型权重以及未公开的训练数据 [23][26] - 对于普通用户而言 算法开源不会造成太大影响 但更高的透明度可以解释为什么有些帖子能获得曝光而另一些则无人问津 并使研究人员能够研究平台如何对内容进行排名 [23] - 在X平台 有用户对推荐算法机制总结出几点规律 例如回复评论的权重是点赞的75倍 不回复评论会严重影响曝光率 在帖子正文中放置链接会降低曝光率 用户观看时长至关重要 以及“模拟集群”真实存在 偏离细分领域将无法获得分发渠道 [22]

公司动态 - 公司首席执行官埃隆·马斯克于北京时间1月11日凌晨3点宣布，计划将社交媒体平台X的推荐算法开源 [3] - 该声明在社交媒体原贴留言区引发了广泛讨论和互动 [3] 市场与用户反馈 - 部分用户对开源决定表示支持 [3] - 有用户提出开源算法可能使竞争对手更容易模仿公司技术 [3] - 另有用户通过具体案例评论平台算法，称涉及讨论加沙或批评以色列的内容会导致账号被隐藏，并认为该模式易于理解 [4]