2026 年 8 月，xAI 在 GitHub 上开源了驱动 X（原推特）For You 信息流的推荐算法核心代码，仓库为 xai-org/x-algorithm，采用 Apache-2.0 许可。截至 9 月初，该仓库已有 32.6k stars 与 5.4k forks，共 21 个 commit、3 名贡献者，最新提交日期为 2026 年 9 月 3 日。

这次开源把一条信息流的完整生成过程公之于众：候选召回、内容水合、预打分过滤、模型打分、排序选择、可见性过滤与广告混排，每一环都有对应代码。本文按这条链路逐段拆解。

仓库概貌

仓库以 Rust 为主（37.4%），Python 占 30.3%，Scala 占 22.6%，Java 占 7.3%，包含 20 余个组件。核心是 home-mixer，它编排整条请求路径，打分权重也存放在它的 params/param.rs 中；candidate-pipeline 是流水线框架，定义了 source、hydrator、filter、scorer、selector、side effect 六类阶段，相互独立的阶段可以并行执行。

按时间线，2026 年 8 月 13 日的首波开源加入了打分权重参数、可见性过滤相关系统、Phoenix 模型的训练与合成数据生成代码，以及 SimClusters 召回；8 月 14 日补充了权重机制的说明和巴西 2026 大选期间的过滤逻辑（Brazil2026ElectionFilter，账户清单更新至 8 月 27 日）。

一条 For You 信息流的生成过程

For You 信息流按请求实时组装，候选来自两路：

  • 网络内（Thunder）：thunder/ 把用户关注账号的近期推文驻留内存，随取随用；
  • 网络外（Phoenix 检索 + SimClusters）：phoenix/ 把用户与每条推文编码为向量、返回最近邻；simclusters/ 按谁与谁互动聚类，用聚类结果找候选。

候选水合（补全正文、作者信息、互动数、订阅状态等元数据）后，进入预打分过滤。这一阶段共有 17 项过滤器，包括：跨来源去重、剔除超过 48 小时的推文、用户自己的推文、屏蔽与静音账号的推文、已看过或已服务过的推文、付费订阅中用户无权访问的内容等。

打分与排序

打分由 Phoenix 模型完成。它不预测单一的「相关度」，而是对每条推文预测用户做出各类动作的概率：喜欢、回复、转发、引用、分享、点击（帖子/主页/链接/图片/视频）、停留时长、关注作者、不感兴趣、静音、屏蔽、举报等。最终得分是这些概率的加权和：

Final Score = Σ(weight_i × P(action_i))

权重存放在 home-mixer/params/param.rs。加权之后还有三项调整：

  • 作者多样性：同一作者在前的推文之后，每条乘以一个衰减系数，直到下限；
  • 网络外折扣：非关注账号的推文乘以小于 1 的系数，关注账号的回复与转发同样打折；
  • 新作者提升：impressions 低于阈值的作者，其推文向目标位置提升。

排序完成后，VMRanker 服务用**行列式点过程（DPP）**重排：在嵌入空间上降低相邻推文的相似度，用少量分数换取信息多样性。

可见性过滤：排序之外的独立闸门

排序决定顺序，可见性过滤决定一条推文能否被看到，两者是独立系统。visibility-filtering 对每条推文与每个用户给出三态答案：ALLOW（正常展示）、INTERSTITIAL（放在可点穿的插页之后，用于成人或暴力内容）、DROP（不展示）。

判断依据来自一套持续离线运行的标签体系：grox 对推文做垃圾、成人、暴力等内容分类；agatha 根据他人对账号的屏蔽、举报等行为给账号打标签；botmaker 是规则引擎，scarecrow 把规则实时应用到事件上；user-cred-v2 在关注图与互动边上运行 PageRank，产出账号可信度分数；abuse-enforcement-service 依据模型分数直接给账号贴标签、警告或封禁。标签写入存储，请求路径上读回使用。

权重机制的一个常见误解

README 专门澄清：权重不是原始互动数的倍数，而是预测概率的乘数。例如举报的权重看起来比点赞高 468 倍，但这不意味着 1 个举报抵消 468 个赞——权重乘的是模型对你举报概率的预测，而这个预测主要由你自己的行为模式决定。官方在 ranking_scorer.rs 与 params/param.rs 中加了注释说明这一点。

未公开的文件与透明度工具

为防止分发机制被利用，少量文件未随仓库公开，例如 grox 的 LLM 提示词（j2 文件）与部分 botmaker 规则。作为补充，xAI 正在测试 Under the Hood 标签透明度工具（x.com/i/under_the_hood），用户可查看自己账号与推文被应用过哪些影响可见性的标签。

开源的价值

代码公开后，权重数值、大选期间的过滤规则、账号如何被降权，都可以在仓库中找到对应实现并独立核验。排序与可见性分离的设计也说明：在推荐系统里，「排在第几位」与「能不能出现」是两个可以分开审查的问题。