猫头虎AI开源分享：马斯克真的开源了X平台推荐算法，6小时斩获1.6k Star，2026开源生态的王炸项目

---

摘要

x-algorithm 是由 xai-org 维护的开源算法项目，核心目标是打造一套通用、可扩展、高性能的算法库，覆盖机器学习、深度学习、数据处理、优化算法等多个领域，聚焦算法的工程化落地与易用性，同时兼顾学术研究与工业场景的适配性。

猫头虎AI开源forks仓库：
国内gitcode：https://gitcode.com/qq_44866828/x-algorithm
海外GitHub：https://github.com/MaoTouHU/x-algorithm

正文

---

“我们将在 7 天内把 X 平台最新的内容推荐算法开源。”

几天前，X 平台掌舵者埃隆·马斯克抛出的这句话，直接把科技圈和开发者圈的情绪拉满——因为这意味着，外界第一次可能系统性看清：X 到底如何决定推荐哪些自然内容、哪些广告内容。

当时很多人半信半疑：这事儿真的会落地？还是又一个“语出惊人”的热搜瞬间？于是大家开始在 X 上“蹲点”，等他到底会不会“按时交卷”。

结果，答案来了，而且来得很硬核。

X 平台工程团队的 Engineering 官方账号于今天正式宣布：X 全新推荐算法开源——并且强调，该算法采用了与 xAI 的 Grok 模型相同的 Transformer 架构。

与此同时，相关 GitHub 仓库同步公开：https://github.com/xai-org/x-algorithm ，上线仅六小时就拿下 1.6k Star，热度直接起飞。

更关键的是：这不是象征性“丢一段代码”摆个姿态。对于那个被讨论了很多年的问题——“X 的推荐系统到底是怎么运作的？”
这一次，终于不是猜测、不是传闻，而是可以直接翻源码。

---

从“放话”到“交卷”：马斯克为什么非要开源算法？

聊这次开源，得先理解马斯克对“透明”的执念。

在社交平台领域，推荐算法本质上就是“注意力分配机器”：用户刷到的每条动态、每个广告位，背后都是算法在结合用户行为、内容特征、商业诉求后做出的选择。长期以来，这些算法几乎都是各家平台最核心的“黑箱机密”——外界最多靠逆向工程和经验猜测，很少有人真正见过底层逻辑。

但马斯克偏要掀开盖子。

接手 X 平台前后，他多次公开吐槽“算法不透明”，并把 X 定位成一个更接近「自由广场」的产品形态。这次立下“开源 Flag”，与其说是临时起意，不如说是他改造 X 的关键动作：

• **对外：**用开源让全球开发者与用户一起监督算法逻辑，降低“算法偏见”“流量操纵”等争议，同时也更容易面对监管层面的压力；
• **对内：**借助开源社区的力量共同优化系统，让改进效率更高、迭代更快，进一步巩固 X 的生态护城河。

而且这还不是“一次性开源”就结束。马斯克此前还提过一个更激进的节奏：
后续将每四周更新一次代码，并附开发者说明，明确标注算法与逻辑改动。

在社交平台行业里，这种“持续开源 + 透明更新”的玩法几乎是第一次出现。接下来我们就拆开仓库看看：这次到底开源了什么。

---

GitHub 开箱：X 的推荐算法，到底长什么样？

打开https://github.com/xai-org/x-algorithm 这个仓库，首先可以确认：这次开源的核心是 X 平台「For You（为你推荐）」信息流的推荐系统。

据 X 工程团队介绍，「For You」内容主要来自两大来源：

• 站内内容（Thunder 模块）：用户关注账号发布的帖子；
• 站外内容（Phoenix 召回模块）：从全网内容库中筛选召回的帖子。

两类内容汇总后，会进入 Phoenix 模型进行分析。该模型基于 Grok Transformer 架构：
Transformer 实现移植自 xAI 开源的 Grok-1，并针对推荐系统场景做了适配与调整。

模型会根据用户点赞、回复、转发等互动历史，预测用户对每篇帖子的多类互动概率，最终用概率的加权组合得到内容得分并排序。

更值得注意的是，X 工程团队明确表示：系统已经剔除所有手工设计特征与绝大多数启发式规则，核心计算几乎完全由 Grok Transformer 模型承担。换句话说，它的逻辑更接近——让模型从用户互动序列中自己学习“相关性”。

系统架构如下所示：

---

Rust 为主、Python 为辅：「For You」推荐系统拆解

从技术栈看，该仓库主要使用 Rust + Python，并采用 Apache License 2.0 开源许可。

项目按功能模块划分清晰，核心模块分工也比较明确：

• phoenix/：包含 Grok 模型适配、推荐系统模型（recsys_model.py）、召回模型（recsys_retrieval_model.py）等核心代码，以及模型运行与测试脚本；
• home-mixer/：Rust 编写的推荐系统“编排层”，包含候选内容补全、查询数据补全、打分器、过滤器等核心逻辑；
• thunder/：Rust 编写，负责处理站内内容（关注账号帖子）的检索、反序列化、Kafka 消息处理等；
• candidate-pipeline/：候选内容流水线的关键模块，连接内容源与后续处理环节。

整体执行流程也很“工程化”：从响应信息流请求开始，系统会经历 7 个核心阶段完成筛选与推送，每一步都围绕“更匹配用户兴趣、更少重复、更少低质、更少打扰”来设计。

---

第一步：调取用户核心数据（用户画像起点）

算法启动时会先做“用户数据补全”，抓取用户近期互动记录（点赞、回复、转发、点击等），同时调取关注列表、偏好设置等基础元数据，为后续推荐建立“用户画像”的基础框架。

---

第二步：抓取两类候选内容（站内 + 站外）

基于用户数据，从两大渠道抓取候选内容：

• 站内候选：由 Thunder 模块处理，来源是用户关注账号发布的近期帖子；
• 站外候选：由 Phoenix 召回模块通过机器学习从全网内容库挖掘“你没关注但可能喜欢”的帖子，是推荐陌生内容的关键来源。

---

第三步：补全内容完整信息（让打分更可靠）

对候选内容做信息补全，例如：文本、图片/视频素材、作者信息（用户名、认证状态）、视频时长、订阅权限等，确保每条候选内容都具备完整维度，避免“信息缺失导致误判”。

---

第四步：打分前先过滤无效内容（省算力 + 提体验）

进入模型打分前先做前置过滤，直接剔除：

• 重复帖子、过期内容、用户本人内容
• 来自屏蔽/静音账号的内容、包含静音关键词的内容
• 用户已看过/近期刚推送过的内容
• 无权限访问的付费内容

这一步的本质是：把“明显不该出现”的内容先踢掉，避免占用后续计算资源。

---

第五步：多维度打分并排序（核心竞争力所在）

过滤后的内容进入 Scoring 环节，系统会调用四类打分器计算得分：

• Phoenix 打分器：从基于 Grok 的 Transformer 模型中获取预测结果
• 加权打分器：将预测结果整合为最终相关性得分
• 作者多样性打分器：降低重复作者内容得分，保证信息流多样性
• 站外内容打分器（OON Scorer）：调整全网挖掘内容的得分，平衡站内与站外内容比例

---

第六步：筛选 Top-K（进入决赛圈）

按得分排序，选取得分最高的前 K 条候选内容进入最终阶段。

---

第七步：最终验证后推送（上线前最后一道闸）

即便得分很高，也要通过最终合规性与有效性校验，确认无误后才正式推送到用户信息流中。

---

X 推荐系统的 5 个关键设计：它为什么像“新一代推荐框架”？

在底层设计上，X 这套推荐系统的差异点非常明确：

1. 摒弃手工特征：核心依赖 Grok Transformer 从用户互动序列中自主学习相关性，降低数据流水线与基础设施复杂度；
2. 候选隔离计算：推理过程中候选内容之间互不影响，仅围绕用户上下文打分，得分更稳定且可缓存；
3. 哈希函数加速检索：召回与排序环节使用多个哈希函数查找嵌入向量，提高运行效率；
4. 多行为概率预测：不仅预测“相关性”，还预测用户多种行为概率，打分维度更完整；
5. 流水线可组合架构：基于 candidate-pipeline 构建可组合流水线，支持并行执行、优雅错误处理，并且可快速新增内容源、补全规则、过滤器与打分器，扩展性很强。

---

马斯克：“其他社交媒体公司都没有这样做”

开源之际，马斯克的态度也非常直白：

“我们知道这个算法很笨拙，需要大幅改进，但至少你可以实时、透明地看到我们努力改进它的过程。”

并补了一句很有“马斯克风格”的话：
“其他社交媒体公司都没有这样做。”

这波开源也迅速引发热议。

对普通开发者而言，价值远不止“看个代码热闹”——它意味着注意力分配机制第一次有机会从“不可见黑箱”变成“可理解系统”。正如网友 AbundanceVsWar 的评论所表达的核心观点：

当影响力分配不透明时，注意力会被感知为零和、被操控、充满政治性；而开源让规则可见，从而让系统更容易被理解、被讨论、被改进——理解本身就会改变行为。

当然，也有人担心：一旦开源，作弊门槛会不会变低？优质内容是否会被“算法玩法”挤爆？甚至导致推荐生态短期失衡？

整体来看，马斯克这波操作已经把一个更大的问题摆上台面：
如果 X 的“开源 + 透明更新”被证明有效，会不会倒逼其他平台跟进？

用户对算法透明的需求只会越来越高。谁先把“规则公开”这件事做到位，谁就可能在用户心智里建立新的信任优势。

至于马斯克的“第一步”之后还会抛出多少惊喜？我们不妨继续盯住这个仓库——2026 开源生态的“王炸项目”，也许才刚刚开始。

---

参考资料

1. https://x.com/XEng/status/2013471689087086804
2. https://github.com/xai-org/x-algorithm
3. https://mp.weixin.qq.com/s/Edc3SD8HkbPvvx1yxwZ62Q