撰文：KarenZ，Foresight News

原標題：大白話拆解 X 新推薦算法：從「撈數據」到「打分」

馬斯克把推特的推薦系統從「人工堆砌規則和大部分啓發式算法」改成了「純靠 AI 大模型猜你喜歡」？

1 月 20 日，推特（X）正式披露新推薦算法，即推特首頁「為你推薦」（For You）時間線背後的邏輯。

簡單來說，現在的算法是：把「你關注的人發的內容」和「全網可能對你胃口的內容」混在一起，根據你之前在 X 上的一連串讚好、評論等動作按對你的吸引力排好序，中間經過兩次過濾，最終變成你刷到的推薦信息流。

以下是用大白話翻譯的核心邏輯：

建立畫像

系統首先收集用戶的上下文信息，為後續的推薦建立「畫像」：

• 用戶行為序列： 歷史互動記錄（讚好、轉發、停留時長等）。

• 用戶特徵： 關注列表、個人偏好設定等。

內容從哪來？

每當你刷新「為你推薦」時間線時，算法會從以下兩個地方找內容：

• 熟人圈（Thunder）： 你關注的人發的推文。

• 陌生人圈（Phoenix）： 你沒關注，但 AI 會根據你的口味，去茫茫人海中把你可能感興趣的帖子（哪怕你沒關注作者）撈出來。

這兩堆內容會混在一起，就是候選推文。

數據補全和初步過濾

撈上來成千上萬條帖子後，系統會拉取帖子的完整元數據（作者信息、媒體文件、核心文本），這一流程叫 Hydration。然後會先進行一輪快速清洗，剔除重複內容、舊帖、用戶自己發的帖、已拉黑作者的內容或屏蔽關鍵詞的內容。

這一步是為了節省計算資源，避免無效內容進入核心打分環節。

怎麼打分？

這是最關鍵的部分。基於 Phoenix Grok 的 Transformer 模型會盯着每一條過濾過後剩餘的候選帖子，計算你對它做各種動作的概率。這是一個加分與減分的遊戲：

加分項（正向反饋）： AI 覺得你可能會讚好、轉發、回覆、點擊圖片、或者點進主頁看。

減分項（負向反饋）： AI 覺得你可能會拉黑作者、Mute、舉報。

最終得分 = （讚好概率 × 權重） + （回覆概率 × 權重） – （拉黑概率 × 權重）…

值得注意的是，新推薦算法中 Author Diversity Scorer（作者多樣性打分器）通常會在 AI 算完最終得分之後介入。當檢測到某一批候選帖子裏，有同一個作者的多篇內容時，這個工具會自動「壓低」該作者後續帖子的分數，讓你刷到的作者更多元。

最後，根據按得分排序，挑分數最高的一批帖子。

二次過濾

系統把打分最高的前多少個帖子再檢查一遍，過濾掉違規的（比如垃圾郵件、暴力內容）、給同一個 thread 的多個分支去重，最後按分數從高到低排好，變成你看到的信息流。

小結

X 已經在推薦系統中剔除了所有人工設計的功能和大部分啓發式算法。新算法的核心進步在於「讓 AI 自主學習用戶偏好」，實現了從「告訴機器怎麼做」到「讓機器自己學會怎麼做」的跨越。

首先是推薦更精準，「多維度預判」更貼合真實需求。新算法則靠 Grok 大模型預測多種用戶行為 —— 不僅算「會不會讚好 / 轉發」，還會算「會不會點進鏈接看」、「停留如何」、「會不會關注作者」，甚至會預判「會不會舉報 / 拉黑」。這種精細化的研判，讓推薦內容與用戶潛意識需求的貼合度達到了前所未有的高度。

其次，算法機制相對更公平，在一定程度上可以打破「大號壟斷」的魔咒，給新號、小號更多機會：過去的「啓發式算法」有個致命問題：大號靠歷史高互動量，發什麼內容都能獲得高曝光，新號哪怕內容優質，也因「沒數據積累」被埋沒。候選隔離機制讓每條帖子獨立打分，和「同批次其他內容是不是爆款」無關。同時，Author Diversity Scorer 也會降低同一作者同一批次後續帖子的刷屏行為。

對於 X 公司： 這是一次降本增效的舉措，用算力換人力，用 AI 換留存。對用戶而言，我們面對的是一個時刻揣摩人心的「超級大腦」。它越懂我們，我們越離不開它，但也正因為它太懂我們，我們將更深地陷入算法編織的「信息繭房」，並更容易成為情緒化內容的精準捕獲對象。

Twitter：https://twitter.com/BitpushNewsCN

比推 TG 交流羣：https://t.me/BitPushCommunity

比推 TG 訂閱： https://t.me/bitpush