Algorithme X (Twitter) : ce que révèle le code open source

La seule plateforme dont on peut lire le classement

Le 31 mars 2023, X a rendu public le code source du fil For You dans deux dépôts GitHub. Depuis, on peut lire dans l'original les règles de classement d'une seule et unique grande plateforme sociale. Instagram, TikTok, LinkedIn et YouTube fournissent des déclarations, des articles de blog et parfois des publications sur leur architecture, mais les pondérations concrètes restent internes. Chez X, elles figuraient sous forme de chiffres dans un fichier.

C'est ce qui rend ce code précieux, mais seulement si tu distingues deux choses : ce qui figure réellement dans le dépôt et ce qui a été affirmé en plus dans les années qui ont suivi. Une bonne partie des astuces populaires pour gagner en portée sur X n'y figure pas. Le fonctionnement de principe des systèmes de recommandation (génération de candidats, light ranking, heavy ranking, re-ranking) est décrit dans Algorithme de recommandation : comment les algorithmes des réseaux sociaux classent les contenus. Ici, il s'agit des détails attestés d'un système concret.

Une réserve d'emblée : la table de pondérations de 2023 reflète l'état d'avril 2023, et le dépôt ML correspondant n'a plus été touché ensuite. L'ancien dépôt principal a encore reçu une mise à jour majeure en septembre 2025. En janvier 2026 a suivi un nouveau dépôt, xai-org/x-algorithm, avec un système reconstruit et, depuis août 2026, des pondérations à jour. Les chiffres de 2023 décrivent donc un état historique ; les valeurs actuelles figurent dans la section consacrée au code de 2026. Cet article reflète l'état d'octobre 2026.

Algorithme Twitter : comment For You réduisait en 2023 des millions de posts à 1 500

Selon le blog d'ingénierie de 2023, X puise à chaque requête environ 1 500 candidats dans un vivier de plusieurs centaines de millions de posts et les évalue avec un réseau neuronal d'environ 48 millions de paramètres, entraîné en continu sur les interactions avec les posts. À l'époque, environ la moitié des contenus diffusés provenait du réseau de l'utilisateur, l'autre moitié de l'extérieur. Dans l'ancien dépôt, le composant de classement s'appelle heavy-ranker.

Les candidats proviennent de plusieurs sources, que nomme le README du dépôt principal de 2023 :

• search-index : trouve et classe les posts du réseau de l'utilisateur, soit environ 50 % des contenus diffusés selon le README.
• tweet-mixer : collecte les candidats out-of-network, c'est-à-dire des contenus de comptes qu'un utilisateur ne suit pas.
• UTEG sur GraphJet : parcourt le graphe d'interactions et récupère donc des posts avec lesquels ont interagi des personnes avec qui tu interagis.
• SimClusters et TwHIN : détection de communautés à l'aide d'embeddings creux d'une part, embeddings denses de knowledge graph pour les utilisateurs et les posts d'autre part. Tous deux rattachent comptes et contenus à des clusters d'intérêt, sans aucune relation d'abonnement.

Le README liste en outre des composants qui n'interviennent qu'après la recherche de candidats : real-graph prédit la probabilité qu'un utilisateur interagisse avec un autre utilisateur donné, les trust-and-safety-models détectent les contenus NSFW et abusifs, les visibility-filters écartent des contenus ou les rétrogradent, et le heavy-ranker évalue à la fin tout ce qui a passé ces étapes.

Cette répartition pèse davantage sur la portée que n'importe quelle pondération du classement. Un post qui n'entre dans aucune liste de candidats n'est jamais évalué. En 2023, qui n'écrivait que pour son propre réseau ne jouait que pour la moitié des diffusions disponibles ; l'autre moitié passait par les embeddings et le parcours du graphe.

En pratique, il en découle deux choses. Premièrement, les sources basées sur les embeddings dépendent de la capacité à classer un compte : SimClusters et TwHIN ne peuvent rattacher un compte à un cluster d'intérêt que si ses contenus sont thématiquement reconnaissables. Un profil dont les posts partent dans tous les sens envoie à ces sources un signal flou. Deuxièmement, dans le système de 2023, le graphe d'interactions constituait via UTEG une source de candidats à part entière. Les réponses agissaient donc deux fois : comme signal fortement pondéré dans le classement et comme arête du graphe, par laquelle des posts ultérieurs atterrissaient dans les fils d'autres utilisateurs. Dans le nouveau système, la source tweet-mixer est désactivée par défaut selon param.rs ; les candidats out-of-network y proviennent du retrieval Phoenix, de SimClusters et d'une liste de posts populaires.

Ton nombre d'abonnés est donc un plafond pour une partie de la diffusion, pas une liste de distribution. Comme règle empirique pour la planification : la distribution dépend de moins en moins de la question de savoir qui suit qui, et de plus en plus de ce qui intéresse les utilisateurs au comportement similaire. Chaque post est pratiquement testé de nouveau face à l'ensemble du vivier.

Les pondérations de 2023 : les réponses battent les likes d'un facteur 27

La partie la plus intéressante se trouve dans le README du dépôt ML, état avril 2023 : dans la table de pondérations du Heavy Ranker, une réponse pèse 13,5 et un like 0,5. Le score d'un post y est la somme pondérée de probabilités d'interaction prédites. Pour chaque candidat, le modèle estime la probabilité de chaque action et multiplie ces probabilités par des facteurs fixes.

Trois points ressortent. Premièrement, la conversation l'emporte sur la consommation, et nettement. La pondération positive la plus élevée revient à reply_engaged_by_author : la réponse à laquelle l'auteur d'origine réagit à son tour. Ce qui est modélisé, c'est donc la probabilité d'un dialogue. La valeur maximale de la table dépend ainsi du comportement de l'auteur lui-même, et qui répond aux réponses génère le signal le plus lourd de la liste.

Deuxièmement, les signaux négatifs constituent le poste le plus lourd du calcul. Un signalement figure dans la table avec -369,0 et pèse presque cinq fois plus que la pondération positive la plus élevée (75,0). Le feedback négatif, à -74,0, se situe à peu près à égalité avec cette pondération positive maximale et bien au-dessus de toutes les autres. Qui force volontairement le trait augmente deux prédictions à la fois : celle des réponses et celle des réactions négatives. Le résultat dépend de celle des deux que le modèle estime la plus élevée pour un public donné.

Troisièmement, la vidéo était pratiquement insignifiante dans le classement de 2023 : video_playback50 est à 0,005. La table n'a plus été mise à jour après avril 2023, et le README précise lui-même que les pondérations exactes peuvent être ajustées à tout moment. Elle décrit donc un état historique. Les pondérations que X publie depuis août 2026 figurent plus bas.

Que des signaux d'interaction agissent comme facteur de classement n'a d'ailleurs rien de propre aux réseaux sociaux. Dans la recherche web, un système comparable, NavBoost, a été confirmé.

Ce qui figure dans le code et ce qui n'est qu'affirmé

Autour de l'algorithme de X circulent des règles qui semblent tirées du code alors qu'elles n'y figurent pas. La vérification donne un bilan mitigé.

Le boost Premium est le point le plus clairement attesté : un multiplicateur de 4,0 pour les auteurs vérifiés dans le réseau de l'utilisateur et de 2,0 en dehors figure comme paramètre dans le code, appliqué exclusivement aux posts originaux, pas aux réponses. Dans l'ancien dépôt twitter/the-algorithm, remanié en septembre 2025, ce paramètre n'existe plus sous ce nom, et les pondérations du nouveau dépôt (param.rs) ne comportent aucun multiplicateur Premium.

Pour les liens, la situation diffère de ce qu'affirment la plupart des guides. Que les posts contenant un lien externe obtiennent moins de portée est largement rapporté et communiqué par la plateforme elle-même, mais cela ne figure pas dans le code rendu public. On n'y trouve pas davantage de golden hour avec des seuils fixes. Un test de cold start sur de petites audiences existe dans tous les systèmes de recommandation ; les seuils fixes colportés relèvent du folklore. La manière de distinguer une véritable réduction de portée de la variance normale du cold start est expliquée dans Qu'est-ce qu'un shadowban ? Pénalité sur les liens, cold start et mythes.

Le code de 2025 : Grok, Phoenix et un slop score

Le 3 septembre 2025, un commit de plus de 65 000 lignes ajoutées a atterri dans l'ancien dépôt principal twitter/the-algorithm. Il introduit une série de composants basés sur Grok dans home-mixer et tweet-mixer.

• Catégorisation : GrokAnnotationsFeatureHydrator, UserEngagedGrokCategoriesFeatureHydrator et GrokTopics rattachent les posts ainsi que l'engagement observé des utilisateurs à des catégories Grok.
• Source de candidats : PopGrokTopicTweetsCandidateSource puise des candidats selon ces thèmes.
• Filtrage : GrokSpamFilter, GrokNsfwFilter, GrokGoreFilter et GrokViolentFilter écartent des contenus avant le classement.
• Atténuation liée à la qualité : un GrokSlopScoreRescorer doté de son propre paramètre de decay abaisse le score des contenus considérés comme produits à la chaîne.
• Nouveau scorer : un modèle baptisé Phoenix, doté de son propre paramètre d'activation.

SimClusters reste présent dans le code, notamment pour le boosting de posts « froids » dans l'exploration de contenus. L'affirmation répandue selon laquelle un modèle de langage aurait repris l'attribution aux clusters ne peut donc pas être étayée. Ce qui est attesté est autre chose, et plus pertinent sur le plan opérationnel : entre le post et le classement s'intercale désormais une évaluation automatique de la qualité et du thème. Les posts génériques produits en série sont donc classés avant même d'entrer en concurrence pour l'attention.

Le slop score est la partie aux effets secondaires les plus désagréables pour la planification. Il est conçu comme un rescorer : il intervient donc après la génération des candidats et atténue le score au lieu de supprimer le post. Vu de l'extérieur, le résultat ressemble à une erreur technique : le post est accessible, les analytics affichent des impressions, mais la diffusion reste malgré tout faible. Comme la classification se trouve dans le modèle et non dans une règle, il n'y a ni notification ni justification vérifiable.

Comme retour d'expérience pour y faire face : les formats en série à la structure interchangeable, les variantes d'un même post générées automatiquement et les threads qui ne produisent que du volume vont précisément à l'encontre de cette classification. Le code de 2025 ne permet pas de savoir quel poids les composants Grok avaient en production. X ne publie à nouveau des pondérations que depuis 2026, dans le nouveau dépôt.

Le code de 2026 : un nouveau dépôt avec des pondérations à jour

En janvier 2026, X a publié le code du fil For You dans un nouveau dépôt : xai-org/x-algorithm. Le système a été entièrement reconstruit, en grande partie en Rust et en Python. Selon le premier README, un transformer basé sur Grok nommé Phoenix classait tous les candidats, porté depuis la version open source de Grok-1. Dans ce même README, X affirmait avoir supprimé toutes les features conçues à la main et la plupart des heuristiques. D'après le README de Phoenix actuel, ce code n'était toutefois qu'un modèle d'exemple. Depuis la release du 13 août 2026, l'implémentation de production se trouve dans le dépôt, et le README actuel ne présente plus Phoenix que comme un modèle transformer.

Le README actuel décrit l'architecture ainsi :

• Home Mixer assemble le fil pour chaque requête.
• Thunder garde en mémoire les posts récents des comptes que tu suis et fournit les candidats in-network.
• Phoenix-Retrieval trouve des posts de comptes que tu ne suis pas. Depuis la release du 13 août 2026, SimClusters figure dans le code comme source out-of-network supplémentaire.
• Phoenix prédit pour chaque candidat la probabilité que tu le likes, que tu y répondes, que tu le partages, que tu le signales ou que tu masques son auteur. Un RankingScorer combine ces probabilités en une somme pondérée.
• Après le scoring, des heuristiques entrent en jeu, dont deux figuraient déjà dans le README de janvier : les posts supplémentaires d'un même auteur sont progressivement dévalorisés, et les posts de comptes que tu ne suis pas subissent une décote. Nouveauté décrite : un coup de pouce pour les auteurs ayant peu d'impressions.

Avec cette même release sont arrivées les pondérations, dans le fichier home-mixer/params/param.rs. Selon le README, des scripts cron alignent les valeurs par défaut de ce fichier sur les valeurs de production principales. Lors de la synchronisation du 12 octobre 2026, on y trouvait notamment ces valeurs :

Une réponse pèse donc un peu plus de huit fois un like, contre 27 fois en 2023, et un signalement 390 fois. De la première release du 13 août jusqu'à la synchronisation du 8 octobre 2026, le like était à 0,5 ; seule la synchronisation du 12 octobre l'a porté à 0,6. C'est de cette période que date le rapport de 468 pour 1 entre signalement et like, qui figure aussi dans le README. Les valeurs continuent de bouger : lors de la synchronisation du 13 octobre, le like était déjà à 0,66. Pour les posts originaux de comptes que tu suis et qui te suivent, il existe depuis le 13 juillet 2026 une majoration de la pondération des réponses, d'abord de 20,0, puis de 15,0 depuis le 24 juillet. Une réponse y compte donc 20,0 au lieu de 5,0.

Le README met lui-même en garde contre l'interprétation erronée la plus évidente : les pondérations multiplient des probabilités prédites, pas des comptages. Un signalement n'annule donc pas 390 likes. Selon un commentaire dans le code, la probabilité de base d'un signalement est plus de 1 000 fois inférieure à celle d'un like. La pondération élevée permet à cette prédiction rare de peser tout court sur le classement.

Ce qui est transposable aux autres plateformes

X sert de modèle de référence, parce qu'on peut y prouver ce qui n'est ailleurs que plausible. Trois schémas sont transposables.

• Fonction d'utilité pondérée : le classement est une somme de prédictions pondérées, pas un facteur unique. L'article arXiv « Choosing the Right Weights » de Milli, Pierson et Garg prend précisément ces pondérations de Twitter rendues publiques comme exemple de départ et en étudie empiriquement les effets sur environ 70 millions d'URL Facebook. Toutes les grandes plateformes fonctionnent selon ce principe, simplement sans chiffres publiés.
• Signaux négatifs : chez X, ils sont chiffrés. Chez Instagram, TikTok et LinkedIn, la structure est comparable, car le même type de modèle y est utilisé, qui prédit conjointement les réactions positives et négatives des utilisateurs. Quels signaux y entrent et avec quelle pondération n'est pas public.
• Signaux de conversation : les réponses, les partages et les enregistrements sont plus difficiles à obtenir que les likes, et donc plus informatifs.

Et une limite qu'il ne faut pas ignorer : seul X a rendu son code public. Tout ce qui circule comme pondération pour Instagram, TikTok, LinkedIn ou YouTube relève de déclarations des plateformes ou d'analyses secondaires. Qui transpose les chiffres de X tels quels sur Instagram calcule avec des valeurs inventées.

Engagement sur X : des attentes réalistes

Les benchmarks pour X divergent fortement selon la grandeur de référence. Hootsuite indique, au 17 juin 2026, un taux d'engagement de 1,8 % pour X, tous secteurs confondus et au niveau mondial, mesuré en interactions par post divisées par le nombre d'abonnés, contre 3,5 % sur Instagram, 3,4 % sur LinkedIn, 1,5 % sur TikTok et 1,3 % sur Facebook. L'étude Metricool sur X de 2024 obtient, sur un échantillon international, entre 1,3 % et 2,21 % selon la taille du compte. Socialinsider affiche dans ses benchmarks internationaux pour 2026 un taux de 0,10 % rapporté au nombre d'abonnés depuis le quatrième trimestre 2025. Il n'existe pas de valeurs spécifiques à la région DACH (Allemagne, Autriche, Suisse) pour X.

Ces valeurs sont des moyennes issues d'échantillons de composition différente, calculées avec des formules différentes, et non des relations de cause à effet. Elles sont trop grossières pour fixer des objectifs, mais suffisent pour un contrôle de plausibilité : qui annonce pour X des valeurs très au-dessus de cette fourchette mesure probablement par rapport à la portée plutôt qu'aux abonnés. La manière de construire ta propre baseline fiable est expliquée dans Qu'est-ce qu'un bon taux d'engagement ? Benchmarks réseaux sociaux 2026.

Ce que la publication du code ne fournit pas

Le code ouvert répond à la question de la structure. Il montre quels signaux un système de recommandation évalue, dans quel ordre les candidats sont générés et quel poids a le feedback négatif. Depuis août 2026, le nouveau dépôt répond à une partie de la question opérationnelle : il contient les pondérations par défaut qui, selon le README, correspondent aux valeurs de production principales. Reste à savoir ce qui tourne dans les expériences de moindre ampleur, car selon le README, X s'engage seulement à rendre visibles dans le dépôt les expériences touchant une part notable du trafic, par exemple à partir de 10 %. X garde délibérément certaines parties pour lui, comme les prompts LLM du composant Grox et quelques règles Botmaker. Rien ne prouve non plus que le boost Premium subsiste sous une autre forme. C'est précisément dans ces lacunes que naît la majeure partie de la littérature de conseils sur X. S'en tenir à ce qui est prouvable coûte quelques certitudes confortables et laisse pour X toujours plus de substance solide que pour n'importe quelle autre plateforme.