起源：香港女星称在榆林买房不到200万港币作者： 王士凯：

马斯克彻底把X平台给开源了，但是我却复刻不出来

自从马斯克开源X以来，各人总会抱怨说“马斯克你这人不地路，承诺开源却没有开源齐全，各人拿到代码也没法子自己做个X平台”。

但是此刻能够了，X开源仓库页迎来史上最大更新，你真的能够下回去自己造个X平台了。

马斯克第一次公开X推荐算法代码，是在2023年3月31日。那时平台还叫Twitter，官方把twitter/the-algorithm和 twitter/the-algorithm-ml两个仓库放上 GitHub，公开了For You功夫线背后的部门推荐逻辑。

但那次更像一次“代码通明度展示”，表界能看到推荐系统的根基运作方式，却拿不到训练数据、模型权沉、告白推荐系统等关键部门。

而这次，马斯克玩真的了。

诚然，X并不是全球最大的社交平台。它的月活数量为5.7亿，X在2026年的预计收入约为29亿美元，比马斯克收购前的50.8亿美元降落了43%，收购前X的告白收入占比高达90%，收购后告白收入仍占总收入的不到70%。

但是它依然是全球最沉要的社交平台之一，每天处置12亿条内容、服务5亿用户的齐全出产系统。Anthropic、OpenAI这些全球最顶尖的AI公司，都以X作为第一信息分发平台。

马斯克发出这条X不到24幼时，X的开源GitHub仓库瞬间冲到了2万颗星星。

马斯克在开源申明中说：“我们知路这个算法很笨，必要大幅改进，但至少你能够看到我们实时且通明地致力让它变得更好。没有其他社交媒体公司这样做。”

推荐算法是社交媒体的主题贸易机密，是决定用户“看什么、信什么、买什么”的底层逻辑。

在此之前，没有任何一家主流平台愿意把这套逻辑齐全地摆到台面上。

马斯克做了。

开源的具体内容
？

这次开源的X算法，主题是一个基于Grok的transformer推荐系统。

整个系统的架构并不复杂，设计思路很清澈：从两个起源获取候选内容，而后用机械进建模型统一排序，最后过滤掉不相宜的内容，推送给用户。

两个内容起源别离是Thunder和Phoenix Retrieval。

Thunder掌管“网内内容”(In-Network)，也就是你关注的账号颁布的帖子。它是一个内存数据库，实时追踪所有效户的最新发帖，响应速度能够达到亚毫秒级别。

当你刷新信息流时，Thunder会立刻把你关注的人最近发的内容拉出来。

Phoenix Retrieval掌管“网表内容”(Out-of-Network)，也就是你没关注、但系统以为你可能感兴致的帖子。

它通过机械进建做类似度搜索，从全球语料库里找出和你从前互动内容有关的帖子。这是推荐系统最关键的部门，决定了你会不会在信息流里看到陌生账号的爆款内容。

两个起源的候选内容汇总之后，会进入统一的排序阶段。这个阶段的主题是Phoenix Scorer，一个基于Grok的Transformer模型。

这个模型不预测“有关性”，而是预测你对每条内容可能采取的具体行动，好比点赞概率、转发概率、回复概率、点击概率、举报概率、屏蔽概率。

每个行动都有一个权沉，正向行动（点赞、转发）权沉为正，负向行动（举报、屏蔽）权沉为负。最终得分是所有预测概率的加权求和。

得分高的内容排在前面，得分低的内容排在后面。

仅此而已。

X在开源文德凤出格强调了一点：我们已经彻底解除了所有手工特点工程和大部吩祠发式规定。

Grok-based Transformer承担了所有繁沉的工作，它通过理解你的互动汗青，好比你点赞了什么、回复了什么、分享了什么，而后基于此自动判断什么内容和你有关。

这意味着，从前那些依赖关键词堆砌、标签匹配的运营战术已经失效了。系统此刻更注沉语义理解，可能深度分析内容的现实价值和用户的真实需要。

开源是开源了，但并不是齐全开源。

首先，模型权沉没有齐全盛开。

GitHub仓库里的确蕴含了一个预训练的mini Phoenix模型，256维嵌入、4个把稳力头、2层Transformer，打包成一个3GB的压缩包，通过Git LFS分发。这个模型能够让开发者直接跑起来端到端的推理流程，不必要自己训练。

但这只是一个“迷你版”。X在出产环境里真正使用的Phoenix模型，规模要大得多，参数量、层数、嵌入维度都不在一个量级上
？吹恼飧鰉ini模型，更像是一个讲授样本，让你理解系统怎么工作，但不是X真在用的那个。

它像一台讲授用幼发起机，能让你看懂发起机道理，也能真的转起来，但它不是X每天给几亿用户刷For You信息流时用的那台真正发起机。

真正的出产模型或许率更大、更复杂、训练数据更多、调参更多，知路的用户行为也更多。所以它推荐得准禁绝、反映快不快、能不能扛住真实流量，和这个 mini 模型不是一个量级。

其次，训练数据没有公开。

推荐系统的主题竞争力，一半在模型，一半在数据。X每天处置12亿条内容，堆集了海量的用户行为数据，好比谁点赞了什么、谁屏蔽了谁、谁在什么功夫看了哪些内容、看了多久。

这些数据才是Phoenix模型可能正确预测用户行为的底子原因。

但这些数据不成能开源。一方面是隐衷问题，另一方面是贸易机密。

没有这些数据，即便你拿到了齐全的模型架构和代码，也训练不出一个和X一样好用的推荐系统。

第三，告白系统只开源了框架，没有开源战术。

这次开源蕴含了一个新的ads
？，处置告白注入和定位，蕴含品牌安全追踪，会尊沉敏感内容天堑。但具体的告白竞价逻辑、出价战术、ROI优化算法，这些直接关系到X收入的主题思造，并没有齐全公开。

第四，内容理解管路Grox（Grox是X推荐系统里，基于Grok构建的内容理解工程服务）只开源了部门能力。

Grox是一个新参与的服务，提供分类器、嵌入器和工作执行引擎，用于垃圾检测、帖子分类、PTOS政策执行等内容理解工作。但Grox具体怎么判断一条内容是垃圾、怎么鉴别违规内容、怎么执行平台政策，这些细节并没有齐全通明。

所以，你固然能够凭据GitHub开源的这些器材去造一个类似X的社交平台，但你造不出一个和X一样好用的推荐系统。

你能够拿到齐全的系统架构、候选召回逻辑、排序框架、过滤规定，能够跑通端到端的推理流程。若是你有足够的工程能力，的确能够搭建一个类似的推荐系统。

但是你没有X的数据、没有X的出产级模型、没有X在从前几年里堆集的工程优化和调度战术。也就没法子1比1复刻X平台。

为什么要开源
？

早在2022年10月收购Twitter的时辰，他就公开暗示：“让算法开源以增长信赖”是他对这个平台的愿景之一。

2023年3月31日，马斯克兑现了第一个承诺。其时还叫Twitter的X平台，在GitHub上颁布了部门推荐算法的源代码，蕴含用户功夫线里推文推荐的算法逻辑。

那次开源引发了巨大关注。

开发者们第一次看到了Twitter推荐系统的内部运作方式，也第一次确认了一些持久流传的传闻，好比，某些账号的确会被算法降权，某些内容类型的确会被优先推荐。

马斯克其时说，提供“代码通明度”一路头会“令人难以相信地狼狈”，但最终会“导致推荐质量的急剧提升”。

他还说：“最沉要的是，我们但愿赢得你们的信赖。”

但那次开源并不齐全。GitHub仓库里的大部门文件都来自最初的上传，后续更新很少。好多开发者抱怨，代码库没有持续守护，文档不够具体，好多关键
？槊挥泄。

这次开源，马斯克显然汲取了教训。

更有意思的是，马斯克在X上颁布算法更新的那条推文时，他人在北京。但这次开源的真正指标，是欧洲。

X平台在欧洲面对着越来越严格的监管审查，而马斯克在用“通明”和“盛开”作为兵器，去匹敌监管压力。

2025年7月，法国检察机关对X平台发展调查，疑惑其算法存在私见和诓骗性数据提取行为。

欧盟委员会也对X发出了文件保留令，要求其提供算法有关内容，调查沉点是虚伪信息传布、内容审核不力和信息通明度缺点。

X平台其时回绝共同调查，并指控这是一场“出于政治动机的刑事调查”，威胁到用户的舆论自由。

马斯克甚至在欧盟委员会的推文下回复了一个脏话。

但回绝共同显然不是悠久之计，因而马斯克把算法给开源了。

与其被动接受监管机构的审查，不如自动把代码公开，让全世界的开发者、钻研者、监管者都能看到X的推荐逻辑。

这样一来，X能够宣称自己是“全球最通明的社交平台”，任何干于算法私见、内容把持的指控，都能够用“代码已经开源，你们自己去看”来回应。

进攻步崆最好的防守。

当然，开源也不是没有价值的。

首先，竞争敌手能够直接进建X的架构设计和工程实际。此刻别人彻彻底底地钻研X是怎么做召回、怎么做排序、怎么做多样性节造的。

若是X的某些设计的确比竞品好，那么这些设计很快就会被复造。

其次，开源露出了X的弱点。

开发者们已经在GitHub issue区指出了一些问题：为什么某些过滤规定设计得不够合理
？为什么多样性节造的参数设置得这么守旧
？为什么告白注入的逻辑这么单一粗鲁
？

但马斯克以为，这些价值是值得的。

X此刻面对的最大问题不是技术，而是信赖。用户不信赖X的内容审核，告白主不信赖X的品牌安全，监管机构不信赖X的算法公正性。

开源算法，是沉建信赖的最直接方式。

它不能解决所有问题，但至少能够证明X没有在暗箱操作，X的推荐逻辑是能够被检验的，X愿意接受公家监督。

在一个越来越强调通明度和问责造的时期，这种姿势自身就是一种竞争力。

马斯克在2023年开源Twitter算法时说过一句话：“我们但愿X成为互联网上最通明的系统，并让它像最驰名、最成功的开源项目Linux一样壮大。”

此刻看来，他是当真的。

X能不能真的造成“社交媒体界的Linux”，还必要功夫验证。

但至少在开源这件事上，马斯克已经走在了所有主流社交平台的前面。