「为你推荐」常被理解成一套兴趣匹配系统：先判定你爱好科技、摄影还是赛车，再从对应类别里挑热帖。但 X 公开的推荐算法展示了更具体的机制——面对每条候选推文，模型预测的是你接下来会做什么：点赞、回复、转帖、点开、看完视频、关注作者、复制链接，也包括「不感兴趣」、隐藏账号、屏蔽与举报。每种行为权重不同，候选来源、作者是否已被关注、同一作者出现几次，都会继续改写最终名次。系统会从大约 3000 条候选中，挑出你屏幕上的那几十条。
每次刷新，都在重新排序
X 的开源算法仓库在 2026 年 8 月迎来更新，放出了更多 Home Mixer 参数、Phoenix 模型代码与可见性过滤系统。作者基于开源项目 Inside the For You 做了一个交互式网页：可以勾选点赞、回复、复制链接或负反馈，看一条推文的分数如何形成；也能拖动 13 项行为权重，观察六条示例推文的名次怎么变。需要提醒的是，仓库里举报的权重取 −234，点赞只有 0.5，直接相除得出「一次举报抵 468 个点赞」是典型误读——权重乘的是对当前用户行为的预测，不是推文已积累的互动量。
仓库说明写得很直白：「为你推荐」按每次请求重新组装，不存在一张预排好的无限列表。候选来自三路并行：Thunder 把已关注账号的近期推文放在内存里供快速读取；Phoenix 把用户和推文都转成向量，再找距离相近的内容；SimClusters 按谁和什么内容互动过的社区关系捞候选。三者上限分别约 1200、1000 与 800 条，合计约 3000；重复、过期、看过的、被屏蔽或命中隐藏关键词的内容会在评分前剔除，上限也不能换算成固定比例。关注与未关注的账号会进入同一套评分。
模型预测的是行为，不是兴趣
Phoenix 读取的是一段近期行为序列：赞过赛车内容、看完烹饪视频、回复朋友、划走一串股票行情、点开某位作者的主页——按时间排好，构成模型理解你的上下文。预测目标有二十多项，覆盖点击、互动、注意力到作者关系与负反馈。于是两个同样关注 AI 编程工具的人，一个常把教程复制给同事，一个习惯快速刷产品新闻，面对同一批候选得到的排序也会不同；同一个人在不同时段，序列变了，排序同样会变。兴趣标签只回答「相关不相关」，具体行为的预测值才决定先后。
分数怎么算，又怎么被改写
计分的核心可以简化成：分数等于各行为权重乘以对应的预测概率（停留时间等目标用连续数值）。误解最深的莫过于把权重当成兑换表——回复权重是点赞的 10 倍，不等于一个回复值十个赞；举报权重看起来巨大，是因为它发生的基线概率比点赞低千倍以上，负权重不够大就影响不了分数。两条候选里，A 的点赞概率更高，B 却可能凭多种高权重行为的预测拿到更高总分，第一名未必是赞最多或最新的那条。挑衅内容若同时被预测出「不感兴趣」、屏蔽或举报，负向值同样参与计算；模型能否分清愤怒、猎奇与真兴趣，仅凭公开权重无法判断。
原始分之后还有多轮调整：同一作者的首条保留原分，后续按 0.5 衰减、最低 0.25，防止某位作者刷屏；没关注过的账号内容统一乘 0.75，陌生内容想靠前就得拿更高的原始分来抵；低曝光作者有机会拿到冷启动加成；独立的 VMRanker 再牺牲少量分数，避免相邻内容过于相似。排完序还要过独立的可见性过滤，分正常显示、置于警告之后、直接移除三类，结合你隐藏或屏蔽的账号与各系统的安全标签；对未关注用户的推荐还有一组更严、只能移除的规则——同一条推文可以正常展示给粉丝，却不进陌生人的推荐流。
读懂机制后，你能做什么
你仍然无法精确控制推荐流：真实预测不可见，参数也会随实验变化，但至少能看清每个操作向系统递了什么信号。持续打开、阅读、观看某类内容，即使没有点赞，也在为后续预测提供同方向的上下文；面对令人生厌的内容长时间围观、反复点开甚至加入争吵，留下的同样是注意力投入。关注列表的作用更根本：它决定 Thunder 能送来哪些候选，还让这些内容免于 0.75 的折扣。想长期改变推荐流，整理关注列表通常比给偶然刷到的推文点赞更稳定；想少看某类内容，就得在一段时间里少打开、少阅读，并持续关注和反馈真正感兴趣的主题。另外，代码注释说明相关行为需发生在推文经 Home Timeline 送达之后，直接从群聊链接点进去不算数——这抬高了协同操纵的门槛。
公开代码能确认候选从哪来、Phoenix 预测哪些行为、分数怎么合成、高分为何仍被重排或过滤；但默认值可改、功能开关因人而异，部分安全规则出于防绕过与防操纵的考虑并未公开。下次刷到一条莫名其妙的推文，不妨换个问法——不是「X 为什么觉得我喜欢它」，而是「X 认为我接下来会对它做什么」。
本文基于同名文章改写，原作者：不求谌解
未经允许不得转载：X 的推荐流不看兴趣标签：拆解「为你推荐」的真实逻辑
