马斯克罕见低头：开源推荐算法，自嘲“很烂”不过未来月更_用户_系统_内容_徐闻网站建设_网站建设公司_网站建设设计制作_seo优化
一水 发自 凹非寺
量子位 | 公众号 QbitAI
就现在，GitHub已经能完整看到马斯克开源的𝕏推荐算法系统了。
开源文件里明确表示，这是一个几乎完全由AI模型驱动的算法系统。
我们移除了所有人工设计特征和绝大多数启发式规则。
我们移除了所有人工设计特征和绝大多数启发式规则。
消息一出，整个社区立刻沸腾了，最高赞上去就是一顿猛夸：
incredible！没有其他平台能做到如此透明。
incredible！没有其他平台能做到如此透明。
马斯克本人也火速转发了𝕏工程团队原帖，不过一向言辞高调的老马，此番却低调表示：
我们知道这个算法很蠢（dumb），需要大幅改进，但至少您可以实时、透明地看到我们为改进它而努力。
其他社交媒体公司都没有这样做。
我们知道这个算法很蠢（dumb），需要大幅改进，但至少您可以实时、透明地看到我们为改进它而努力。
其他社交媒体公司都没有这样做。
早在2022年收购𝕏（原Twitter）之前，马斯克就多次批评该平台过于封闭。
自收购之后，他也兑现承诺多次公开Twitter核心推荐算法，这一次也算是不忘初心了。
原来纯AI驱动的推荐系统，是这样运作的！
话不多说，咱这就扒一扒整套系统的运作机制。
一句话概括这个系统即为：
基于Grok-1同款Transformer架构打造，能通过学习你的历史互动行为（点赞/回复/转发过什么），来决定给你推荐什么内容。
从用户打开“For You”开始，客户端会向服务器发送一个请求，触发整个算法流程。
然后系统会先做一件事——搞清楚你是谁、你最近在干什么、你平时对什么内容有反应。
为实现这一目的，系统会拉取两类用户信息：
行为序列（Action Sequence）：一类代表最直接、最强烈的兴趣信号，比如最近点赞、回复、转发、点进、停留过什么。
属性（Features）：另一类代表长期属性，比如关注列表、声明的兴趣主题、地理位置、使用设备等。
行为序列（Action Sequence）：一类代表最直接、最强烈的兴趣信号，比如最近点赞、回复、转发、点进、停留过什么。
属性（Features）：另一类代表长期属性，比如关注列表、声明的兴趣主题、地理位置、使用设备等。
这一步的目标并不是人工构造特征，而是尽可能真实地构建“实时用户画像”——
以前工程师可能会***设“某些属性很重要”，然后手动编写规则或公式去计算一个“用户兴趣得分”。
但这本质上是工程师的猜想，而非用户真实状态的反映。
于是马斯克的这套算法就决定不做任何预设***设，而是尽可能多地、原始地收集用户最真实的行为反应，然后将这堆数据直接喂给后续的模型，从而让模型自己去从原始数据中学习和发现规律。（即“去人工化”和“端到端”）
而拿到实时用户画像后，系统会接着兵分两路，从整个平台的海量推文中快速筛选出几千条“可能相关”的推文。
一条是通过熟人圈。即从Thunder模块，直接抓取你关注的所有人的最新推文。
另一条是通过外部。利用Phoenix Retrieval这一核心检索模块，抓取那些你可能感兴趣、但来自未关注账号的推文。
以上两类来源不同的信息，会在后续阶段被统一对待。
需要提醒，此时筛选出来的还只是推文ID。
于是系统会通过Hydration模块，补全每条候选推文的信息，包括推文全文、作者详情、图片/***、历史互动数据等，以便后续深度评估。
而且在正式开始计算前，还会进一步通过Filtering模块淘汰那些明显不要的内容，例如：
重复或过期的帖子
用户自己发布的内容
来自拉黑或静音账号的帖子
包含用户屏蔽关键词的内容
已经看过或在当前会话中展示过的帖子
重复或过期的帖子
用户自己发布的内容
来自拉黑或静音账号的帖子
包含用户屏蔽关键词的内容
已经看过或在当前会话中展示过的帖子
记住，这一步只做一件事：回答某条内容“能不能出现，而不是值不值得推荐”。
铺垫到这里，最终剩下来的内容会被逐条送入Phoenix排序模型进行打分。
这个模型是一个基于Transformer的模型，它会同时接收：
用户的行为序列与属性信息
单条候选帖子的内容与作者信息
用户的行为序列与属性信息
单条候选帖子的内容与作者信息
然后模型会预测用户对某条推文执行各种操作的概率，并将各种概率按照预设权重进行加权组合（如点赞类正向行为加分、拉黑类负向行为减分），并形成最终排序分数。
基于此，系统还会进行少量工程层面的调节——
比如控制作者多样性，避免单一账号在信息流中占据过高比例（防止某一大V刷屏）。
这里也需要提醒，为了保证送入的每条帖子都是独立评分的，所以系统还特意设置了“不允许候选帖子相互看见”（推文之间没有交叉注意力机制）。
所有候选帖子按最终得分排序，系统从中选出Top-K条帖子，作为本次请求的推荐结果。
而且在返回客户端之前，系统还会进行最后一轮校验，确保内容符合平台安全规范——
例如，移除任何已删除、被标记为垃圾信息或包含暴力血腥等违规内容的推文。
最终，经历重重筛选后的信息会根据分数高低，依次展示给客户端用户。
总结下来，这套系统能够成功运转的五大关键在于（官方划重点版）：
（1）纯数据驱动，拒绝人工规则。
彻底摒弃人工定义“什么内容算好”的复杂规则，改由AI模型直接从原始用户数据中学习。
（2）***用候选隔离机制，独立评分。
AI模型在给内容打分时，每条内容“看不见”其他候选内容，只能看到用户信息。这确保了每条帖子的分数不会因为同批次其他帖子而变化，分数一致且可高效缓存复用。
（3）哈希嵌入，实现高效检索。
检索和排序都使用多个哈希函数进行向量嵌入查找，提高效率。
（4）预测多元行为，而非单一分数。
AI模型不直接输出一个模糊的“推荐值”，而是对多种用户行为同时预测。
（5）模块化流水线，支撑快速迭代。
整个推荐系统***用模块化设计，各个组件可以独立开发、测试、替换。
“是的，这算法太烂了”
不过，虽然众人对老马开源的姿态表达了赞赏，但奈何这套算法还是有一些“缺陷”。
有网友就在𝕏推荐算法开源后吐槽道：
由于API访问受限且成本高昂，现在屏蔽列表的做法已经很少见了，但以前这种做法非常普遍。
算法必须让较旧的屏蔽列表随着时间推移而逐渐消失，这样这些较旧的屏蔽列表就不会再被恶意利用。
由于API访问受限且成本高昂，现在屏蔽列表的做法已经很少见了，但以前这种做法非常普遍。
算法必须让较旧的屏蔽列表随着时间推移而逐渐消失，这样这些较旧的屏蔽列表就不会再被恶意利用。
言下之意是，算法代码显示“被大量用户屏蔽”是一个强负面信号，会直接导致账号被“降权”，即内容更难获得推荐，但代码中没有明确看到针对“屏蔽”信号的时间衰减机制。
这意味着，历史上的屏蔽记录可能至今仍在影响账号的推荐分数。
此番言论也引得马斯克本人现身评论区吐槽：
是的，这算法太烂了。
是的，这算法太烂了。
但不管怎样，老马想要改变的态度已经明确——
不仅过去开源、现在开源，而且接下来还会持续开源， 未来每4周将重复一次开源更新。
开源仓库：
***s://github***/xai-org/x-algorithm
参考链接：返回搜狐，查看更多
