马斯克开源最新算法！全网开发者逐行拆解

来源：新智元

新智元报道

编辑：好困

【新智元导读】马斯克又搞大事！把社交平台绝对不会公开的两样东西「广告」和「审查」，连同一个能直接跑的推荐模型，一口气全推上了GitHub。6亿人每天刷到什么，现在是Grok说了算。

就在刚刚，马斯克把最新版的算法给开源了！

老马的官宣只有一句话，但瞬间就引来了超2700万网友的围观。

之所以这么炸，是因为社交平台有两样东西是绝不能给外人看的：

第一，广告注入系统，也就是「印钞机」。

第二，内容审查管线，也就是「生死簿」。

而把这两样的源码，连同一个3GB大小的推荐模型，一口气全放到了GitHub上！

https://github.com/xai-org/x-algorithm

不是，连广告代码都给了？

当时公开的是Phoenix排名模型和Thunder信息流引擎，也就是是「你打开For You看到什么」的决策逻辑。

但广告系统的代码，一个字都没有。

这回，全给了。

新增的home-mixer/ads/目录里，有四个相关的Rust文件。

• partition_organic_blender.rs，负责把广告和自然内容混在一起

• safe_gap_blender.rs，负责控制两条广告之间至少隔几条自然帖子

• ads_brand_safety_hydrator.rs + ads_brand_safety_vf_hydrator.rs，负责管品牌安全，确保广告不会出现在暴力或色情内容旁边

注意这里的关键词，blender，混合器。

也就是说，广告不是硬插的，是跟你发的帖子、你关注的人发的帖子一起排队、一起打分、然后按规则混合的。

你刷到的每一条广告，都是「赢」了旁边那几条自然内容才出现在那个位置的。

有个审帖工具，名字叫「deluxe」

另一个从未公开过的组件是grox/目录。

它专管帖子发出之后、进入推荐之前的那道「审查流水线」。

六个分类器各管一摊：

• 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）

• 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

这里最有意思的是banger_initial_screen。banger，爆款。

也就是说，的算法里专门有一个分类器在判断「这条帖子炸不炸」，炸的优先往前排。

整套Grox管线用Python写成，跟Rust写的推荐系统主体形成了分层。

其中，Rust跑毫秒级排序，Python管「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，以及一个调度引擎把这些任务编排成不同的「plan」跑起来。

3GB模型给你，拿去直接跑

技术圈最兴奋的可能是第三个变化。

以前开源推荐算法，你看得到逻辑但跑不起来。没有模型权重，代码就是一堆空壳。

这回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）

一行命令，从检索到排序的完整推理流程就能跑通，pipeline结构跟生产环境一模一样。

当然，mini模型的参数规模远小于线上那个。

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」打包在一起给出来。

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。但它们各自填进了推荐pipeline的具体位置。

1月那一版，pipeline六步里大部分只有骨架代码。

这次补全之后，每一步都有了完整的Rust或Python实现。

整条pipeline的灵魂在第5步打分。

Phoenix的Grok Transformer给每条帖子打分时，会同时预测15种用户行为的概率。

最终得分的评判如下：

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）

15道考试，11道加分题，4道送命题。

你的帖子每一条都要走这么一遍。

We have eliminated every single hand-engineered feature and most heuristics from the system。

所有手工规则全砍了，100%靠Transformer端到端学出来。

打分机制里还有一个设计叫Candidate Isolation，候选隔离。

Transformer推理的时候，候选帖子之间互相「看不见」。

每条帖子只能看到用户的历史行为，看不到同一批里有什么其他帖子。

为什么要这么做？

因为如果候选帖子互相影响，同一条帖子跟50条候选一起送进去和跟500条一起送进去，得分会不一样。

而通过注意力掩码把这个依赖彻底切断，每条帖子的分数独立、稳定、可缓存。

换句话说，这15种预测，不是在猜「这个人喜欢什么」，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，现在是一本打开的书

如今，全球主流社交平台里，是唯一一个把推荐算法、广告系统和内容审查管线都摊在GitHub上的。

你的For You怎么排序，广告怎么混进来，哪些内容会被干掉，现在都有一份Rust和Python写成的答案。

而且这套推荐系统已经100%切换到Grok Transformer驱动，手工规则全砍。

也就是说，xAI的模型能力已经从聊天机器人，渗透到了6亿人每天的信息消费决策里。

推荐系统，可能是当下最有实权的AI应用场景。谁控制了排序，谁就控制了注意力。

有兴趣的可以git clone下来跑一把。

3GB模型，一行命令，你就能看到那15个概率是怎么决定你每天刷到什么的。

参考资料：

https://x.com/elonmusk/status/2055277918633562153