马斯克再次引爆社交媒体！𝕏 将社交平台向来讳莫如深的“广告系统”与“内容审查”代码，连同可直接运行的推荐模型，一股脑儿全部开源至GitHub。如今，6亿用户每天刷到的内容，将由Grok全权决定。
就在刚刚，马斯克宣布开源𝕏最新版的算法！
他仅用一句话官宣，便瞬间吸引了超过2700万网友围观。
此举之所以引发轰动，是因为社交平台有两项核心机密向来不对外公开：
第一，广告注入系统——堪称“印钞机”。
第二，内容审查管线——无异于“生死簿”。
而𝕏 这次不仅将这两者的源码，连同体积高达3GB的推荐模型，一股脑儿全部上传到了GitHub！
仓库地址：https://github.com/xai-org/x-algorithm
等等，𝕏 连广告代码也公开了？
当时公开的是Phoenix排名模型和Thunder信息流引擎，也就是决定“你打开‘为你推荐’会看到什么”的逻辑。
但广告系统的代码，一个字都没透露。
这次，全盘托出。
新增的 home-mixer/ads/ 目录中，包含了四个相关的Rust文件：
partition_organic_blender.rs：负责将广告与自然内容混合。safe_gap_blender.rs：控制两条广告之间至少间隔多少条自然帖子。ads_brand_safety_hydrator.rs和ads_brand_safety_vf_hydrator.rs：负责品牌安全，确保广告不会出现在暴力或色情内容旁边。
请注意关键词：blender，即混合器。
这意味着，广告并非硬性插入，而是与你发布的帖子、你关注的人发布的帖子一起排队、一起打分，然后依据规则混合。你刷到的每一条广告，都是在与相邻几条自然内容的“竞争”中胜出，才出现在那个位置的。
有个审帖工具，名字叫“deluxe”
另一个从未公开的组件是 grox/ 目录。
它专门负责帖子发布后、进入推荐前的那道“审查流水线”。
六个分类器各司其职：
spam.py：负责垃圾内容检测。post_safety_screen_deluxe.py：负责安全审查（“豪华版”这个命名，很𝕏）。safety_ptos.py：负责平台服务条款策略检查。banger_initial_screen.py：负责爆款初筛，判断一条帖子是否“够炸”。reply_ranking.py：负责回复排序。classifier.py：负责通用内容分类。
其中，最有意思的是 banger_initial_screen。banger，即爆款。
也就是说，𝕏 的算法中专门有一个分类器用于判断“这条帖子够不够炸”，够炸的优先往前排。
整套Grox管线采用Python编写，与Rust编写的推荐系统主体形成了分层架构。其中，Rust负责毫秒级排序，Python则负责判断“这条内容该不该存在”。配套的还有Kafka数据加载器、ASR语音识别处理、帖子摘要生成器，以及一个调度引擎，将这些任务编排成不同的“plan”来运行。
3GB模型给你，拿去直接跑
技术圈最为兴奋的，可能是第三个变化。
以往开源推荐算法，你能看到逻辑，但跑不起来。没有模型权重，代码就是一堆空壳。
这次，𝕏 直接塞了一个预训练好的mini Phoenix模型：
Mini Phoenix Model
├── 嵌入维度: 256
├── 注意力头: 4
├── Transformer层数: 2
├── 模型体积: ~3 GB（Git LFS分发）
└── 推理入口: python run_pipeline.py（检索→排序，一行跑通）
只需一行命令，从检索到排序的完整推理流程就能跑通，pipeline结构与生产环境一模一样。
当然，mini模型的参数规模远小于线上版本。
但这已经是社交平台历史上，第一次有人把“能跑的模型”和“生产级代码”打包在一起公开。
一条帖子的生死，15个概率说了算
广告、审查、模型是这次最炸的三个新组件。但它们各自填补了推荐pipeline的具体位置。
1月那一版，pipeline六步中大部分只有骨架代码。
这次补全后，每一步都有了完整的Rust或Python实现。
Pipeline 六步 1月有的 5月15日新增的
─────────────────────────────────────────────────────────────
[1] 用户画像 无 17个query_hydrator
(Query Hydration) （关注/屏蔽/话题/互关/IP/
Bloom过滤器/历史时间戳……）
[2] 候选召回 Thunder +Ads Source（广告）
(Candidate Sources) Phoenix +Phoenix MoE（混合专家）
+Phoenix Topics（话题）
+Who To Follow（推荐关注）
+Prompts Source（Grok提示）
[3] 特征填充 基础版 +互动数/品牌安全/语言检测/
(Hydration) 媒体类型/视频时长/引用展开
[4] 打分前过滤 基础版 +屏蔽词/已看过/付费权限/
(Pre-Scoring Filter) 社交关系图谱过滤
[5] 打分 + 排序 Phoenix Scorer 不变（下面展开）
[6] 打分后过滤 + 广告混排 基础版 +VF可见性检查
+会话去重
+完整ads blending模块
从2个候选源扩展到7个以上，从0个用户画像hydrator增加到17个。
整个 pipeline 从“能看”直接进化到了“能跑”。
这条 pipeline 的核心灵魂在于第五步的打分环节。
Phoenix 的 Grok Transformer 在给每一条帖子打分时，会同步预测 15 种用户行为的概率。
-
-
-
-
-
-
-
-
-
-
-
- *
-
-
-
-
-
-
-
-
-
-
正向行为（11种） 负向行为（4种）
────────────────────── ──────────────────
P(favorite) 点赞 P(not_interested) 不感兴趣
P(reply) 回复 P(block_author) 拉黑
P(repost) 转发 P(mute_author) 静音
P(quote) 引用 P(report) 举报
P(click) 点击
P(profile_click) 查看主页
P(video_view) 看视频
P(photo_expand) 展开图片
P(share) 分享
P(dwell) 停留浏览
P(follow_author) 关注作者
最终得分的计算规则如下：
-
-
-
- *
-
-
Final Score = Σ (weight_i × P(action_i))
正向行为 → 正权重（加分）
负向行为 → 负权重（重扣）
这就像一场 15 道题的考试：11 道是加分题，4 道是送命题。
你的每一条帖子，都要经历这样一轮完整的评估。
We have eliminated every single hand-engineered feature and most heuristics from the system。
所有的手工规则都被彻底移除，100% 依靠 Transformer 端到端地自主学习。
打分机制中还有一个巧妙的设计，叫做“候选隔离”（Candidate Isolation）。
在 Transformer 推理时，候选帖子之间彼此“看不见”。
每一条帖子只能参考用户的历史行为，完全不知道同一批次里还有哪些其他帖子在竞争。
为什么这么做？
因为如果候选帖子互相影响，那么同一条帖子与 50 条候选一起输入，和与 500 条候选一起输入，最终得分就会截然不同。
𝕏 通过注意力掩码彻底切断了这种依赖关系，使得每条帖子的分数独立、稳定，并且可以缓存。
换句话说，这 15 种预测，并不是在猜测“这个人喜欢什么”，而是在判断你会做什么、不会做什么，以及做完之后会不会后悔。
你的 For You 页面，现在是一本摊开的书
如今，在全球主流社交平台中，𝕏 是唯一一个将推荐算法、广告系统以及内容审核管线全部公开在 GitHub 上的平台。
你的 For You 页面如何排序、广告如何混入、哪些内容会被屏蔽——所有这些，现在都有一套用 Rust 和 Python 写成的答案。
而且，这套推荐系统已经全面切换至 Grok Transformer 驱动，所有手工规则全部废除。
这意味着，xAI 的模型能力已经从聊天机器人领域，渗透到了 6 亿人每天的信息消费决策中。
推荐系统，或许是当下最具实权的 AI 应用场景。谁掌控了排序，谁就掌控了注意力。
有兴趣的话，可以 git clone 下来直接运行。
3GB 的模型，一条命令，你就能亲眼看到那 15 个概率是如何决定你每天刷到的内容。
参考资料：https://x.com/elonmusk/status/2055277918633562153
关注“鲸栖”小程序，掌握最新AI资讯
本文来自网络搜集，不代表鲸林向海立场，如有侵权，联系删除。转载请注明出处：https://www.itsolotime.com/archives/34958
