夜雨聆风【导读】X 在 GitHub 开源了新版 For You 推荐系统核心代码，仓库 `xai-org/x-algorithm` 采集时已超过 2 万 star。这套系统用从 Grok-1 迁移来的 transformer 架构做排序，同时预测你会点赞、转发、回复还是拉黑——十几种行为概率加权合成最终分数。你每天刷的 For You 页面，底层已经是一个 AI 预测系统的输出。
为什么 For You 越来越不像 Following？答案藏在源码里
5 月 15 日，AI 领域博主 Rohan Paul 在 X 上发帖：X 把最新版 For You 推荐算法发布到了 GitHub。
"Moving the feed closer to a Grok-style AI ranking system than a rule-heavy social media sorter."
「推荐流正在从规则驱动的社交排序器，转向 Grok 风格的 AI 排序系统。」
▲ Rohan Paul 发帖解读 X 新版 For You 推荐系统开源
他在帖子里拆解了几个关键变化：Thunder 负责拉取你关注的人的帖子，Phoenix 负责从全站检索你没关注但可能感兴趣的内容，最终排序用的是 transformer 模型——架构直接从 Grok-1 开源版本迁移而来。
很多用户的日常感受是"For You 里越来越多没关注的人的内容"。看完这套源码你就明白了：系统确实在主动从你的关注圈之外拉候选内容，并且是用 AI 模型来决定排多高。
GitHub 仓库硬事实：Apache-2.0，Rust，2 万 star
打开 `xai-org/x-algorithm`，README 开头就写了：
"This repository contains the core recommendation system powering the 'For You' feed on X."
「这个仓库包含驱动 X For You 推荐流的核心推荐系统。」
▲ xai-org/x-algorithm 仓库首屏，采集时已超过 2 万 star、3500 fork
仓库用 Apache-2.0 协议开源，主语言 Rust，2026 年 1 月创建，5 月 15 日完成了一次关键推送。这次更新加入了完整的端到端推理 pipeline、预训练的 mini Phoenix 模型、Grox 内容理解系统（垃圾检测 + 内容分类 + 政策合规）、广告混合系统，以及更多候选来源。
给出的远不止一个模型权重文件——是一整条从"候选内容进来"到"排序分数出去"的可运行管线。
Thunder vs Phoenix：你关注的人 + 全平台海量内容
这套系统最核心的分工，藏在两个模块名字里。
Thunder管 in-network：你关注的人发的帖子。它本质上是一个实时 post store，强调低延迟，确保你关注的人发的新内容能快速进入候选池。
Phoenix管 out-of-network 和最终排序。它从全平台海量内容里检索出你可能感兴趣但没有关注来源的帖子，然后和 Thunder 拉来的内容一起排序。
"It combines in-network content ... with out-of-network content ... and ranks everything using a Grok-based transformer model."
「系统把你关注账号的内容和通过 ML 检索找到的全局候选内容合并，再用基于 Grok 的 transformer 模型做统一排序。」
两条管线的内容混在一起排序——这就是你每次打开 For You 看到的东西。
Phoenix 怎么排序：two-tower 检索 + transformer 精排 + candidate isolation
Phoenix 自己又分两个阶段。
检索阶段（Retrieval）：用 two-tower model（双塔模型），用户塔编码你的特征和历史行为，候选塔编码所有待推荐内容，通过向量相似度快速筛出候选集。目标是从海量内容窄化到可管理的候选规模。
排序阶段（Ranking）：对筛出来的候选集用 transformer 精排。这里有一个关键设计——candidate isolation：每个候选帖子可以 attend 到用户上下文和历史行为，但候选之间不能互相 attend。
"Phoenix uses transformer-based architectures for both retrieval ... and ranking ..."
「Phoenix 在检索和排序两个阶段都使用 transformer 架构。」
▲ Phoenix README：系统概览与模型发布说明
candidate isolation 保证了：每条帖子的排序分数独立计算，不会因为碰巧和另一条热帖排在同一批次而被拉高或拉低。
14 种行为预测，加权出你看到的一切
打开源码 `weighted_scorer.rs`，最终排序的逻辑全摊在眼前。
系统给每条帖子打的分数，远比"好不好"三个字要复杂。它同时预测你对这条帖子可能产生的十几种行为概率：
- 正向行为
：点赞（favorite）、回复（reply）、转发（retweet）、展开图片（photo_expand）、点击（click）、查看主页（profile_click）、高质量观看（vqv）、分享（share）、停留（dwell）、关注作者（follow_author） - 负向行为
：标记不感兴趣（not_interested）、拉黑（block）、静音（mute）、举报（report）
每种行为对应一个预测概率，乘以各自的权重，加权求和再做归一化——最终的数字，就是这条帖子在你 For You 里的排位。
Rohan Paul 在帖子里的总结，在源码里找到了对应：
"Instead of asking 'is this post good,' the model predicts multiple possible actions, such as whether you might reply, like, repost, watch, or skip."
「模型同时预测多种可能行为：你会回复、点赞、转发、看完，还是跳过。问题从"这条帖子好不好"变成了"用户接下来会做什么"。」
如果你经常点进某类帖子查看、但最终拉黑了发帖人——系统同时看到了你的"点击"和"拉黑"，并且分开给了权重。
开源了多少？边界在哪里？
这次开源诚意不小，但有明确边界。
README 写明，公开的 Phoenix 模型是mini version，用的是frozen checkpoint（冻结快照），训练数据用的是sports corpus（体育语料）。
"Frozen checkpoint: Production Phoenix is trained continuously on real-time data. This release is a frozen checkpoint from that continuous training process."
「生产环境的 Phoenix 在实时数据上持续训练。这次发布的是连续训练过程中的一个冻结快照。」
你能看到的：架构设计、推理 pipeline、权重加载方式和候选处理流程。你拿不到的：生产环境的实时模型权重、完整训练数据和线上 A/B 实验配置。
▲ Phoenix 目录：包含模型代码、推理脚本和预训练 mini 模型
路线图和工程范式公开了，用户数据和生产参数留住了。作为一个主流社交平台的推荐系统开源动作，这个尺度已经极为少见。
第三方已经开始拆算法权重了
开源代码发布后，内容策略圈的反应也很快。Nibzard 做的 "The X Algorithm Playbook" 技术解读页面，已经在从源码里提取可操作的信号。
▲ Nibzard 的 X 算法解读：Key Findings
它总结了几个方向：视频内容在 95%+ 完播率时获得更高权重、profile clicks 比 likes 更有价值、48 小时新鲜度窗口影响内容排序、社交证明（social proof）需要跨网络连接支撑。
不过要注意：这些是第三方从代码逆向推断的内容策略建议，不代表 X 官方确认的权重参数。参考可以，直接当规则用需要谨慎。
你的 For You，已经是一个预测系统的输出
回到最初的问题：For You 页面到底怎么决定给你看什么？
这次开源给出了可以验证的答案：两条候选管线（关注网络 + 全平台检索），一个从 Grok-1 迁移架构的 transformer 排序器，十几种行为概率的加权公式。
排序逻辑已经跳出了"谁的粉丝多排前面"或"哪条帖子点赞多就推给你"的阶段。整套系统把用户历史、候选内容和行为预测目标统一建模，做成了端到端的 AI 排序管线。
代码在 GitHub 上，Apache-2.0 协议，任何人都可以 clone 下来跑。想知道自己的 feed 怎么被安排的？现在可以自己去看了。
— END —
