---
title: "Algorytm rekomendacyjny: jak algorytmy mediów społecznościowych szeregują treści"
description: "Jak działa algorytm rekomendacyjny: Candidate Generation, Heavy Ranking, Value Model i przejście do Content Graph. Co jest wspólne dla wszystkich platform."
locale: "pl"
canonical: "https://blckalpaca.at/pl/baza-wiedzy/social-media/algorytmy-social-media-dystrybucja-tresci/algorytm-rekomendacyjny-jak-algorytmy-mediow-spolecznosciowych-szereguja-tresci"
category: "Social media"
topic: "Algorytmy social media & dystrybucja treści"
updated: "2026-10-28T13:37:49.883Z"
source: "Blck Alpaca e.U., blckalpaca.at"
---

# Algorytm rekomendacyjny: jak algorytmy mediów społecznościowych szeregują treści

Algorytm rekomendacyjny to system predykcyjny, który dla każdej kombinacji użytkownika i posta szacuje prawdopodobieństwo określonych działań i na tej podstawie wylicza kolejność w feedzie. Instagram, TikTok, LinkedIn i X korzystają z tego samego czteroetapowego pipeline'u: Candidate Generation, Light Ranking, Heavy Ranking i Re-Ranking. Różnią się przede wszystkim wagami, z jakimi ich Value Model łączy przewidywane działania.

## W skrócie

- Algorytm rekomendacyjny nie przydziela zasięgu według reguł, tylko przewiduje prawdopodobieństwo działań i na tej podstawie sortuje treści.
- Cztery etapy, czyli Candidate Generation, Light Ranking, Heavy Ranking i Re-Ranking, są w dużych sieciach zbudowane tak samo; różnice tkwią w wagach i w warstwie Trust and Safety.
- Value Model łączy kilka przewidywanych działań w jeden wynik; publikacja na arXiv „Choosing the Right Weights” (2023) opisuje tę agregację jako liniową kombinację pojedynczych sygnałów.
- Instagram wyraźnie rozróżnia zasięg wśród obserwujących i zasięg wśród osób nieobserwujących, a te same sygnały waży w obu przypadkach inaczej.
- Duże modele fundamentalne skupiają w sobie to, czego wcześniej wiele pojedynczych modeli uczyło się osobno: model reklamowy Mety GEM jest według Mety 4 razy wydajniejszy od poprzedniej generacji, a 360Brew LinkedIna to model typu decoder-only ze 150 miliardami parametrów do ponad 30 zadań predykcyjnych.
- W UE akt o usługach cyfrowych (DSA) zobowiązuje platformy z systemami rekomendacji do zrozumiałego ujawniania głównych parametrów; bardzo duże platformy muszą dodatkowo oferować wariant bez profilowania.
- Poza ujawnionym kodem X dokładne wagi rankingowe nie są publiczne, dlatego zasady architektury są bardziej wiarygodne niż krążące wartości procentowe (stan na sierpień 2026).

Zasięg w mediach społecznościowych nie jest przydzielany, tylko przewidywany. Każda duża sieć ma system, który dla każdej kombinacji użytkownika i posta szacuje prawdopodobieństwo konkretnego działania: obejrzenia, polubienia, skomentowania, przesłania dalej, przewinięcia, zgłoszenia. Z tych prawdopodobieństw powstaje wynik, a z wyniku kolejność w feedzie. To, co zespoły marketingowe odbierają jako „[algorytm](https://blckalpaca.at/pl/slownik/algorytm) nie wyświetlił mojego posta”, jest wynikiem właśnie tego rachunku.

Najważniejszy praktyczny wniosek: platformy różnią się wagami, a prawie wcale architekturą. Kto zrozumiał wspólną mechanikę, uczy się jednego algorytmu, a dla każdej platformy już tylko odstępstw od niego.

## Jak działa algorytm rekomendacyjny w czterech etapach

Podstawowy problem jest obliczeniowy. Między chwilą, w której ktoś otwiera aplikację, a gotowym feedem mijają milisekundy, a w tym czasie nie da się ocenić każdego dostępnego posta dużym modelem. Dlatego zbiór jest stopniowo zawężany, a ocena staje się stopniowo coraz droższa. Każdy etap ma własne kryterium wykluczenia, a post, który nie pojawi się na etapie pierwszym, na etapie trzecim nie ma już nic do wygrania.

**Candidate Generation.** Z całej puli postów wybierana jest wstępna selekcja kilku tysięcy kandydatów. Nie odbywa się to przez przeglądanie, tylko za pomocą embeddingów: jedna [sieć neuronowa](https://blckalpaca.at/pl/slownik/siec-neuronowa) odwzorowuje użytkowników, druga treści, obie w tej samej przestrzeni wektorowej (architektura two-tower). Wybór jest wtedy wyszukiwaniem sąsiadów, technicznie zapytaniem o przybliżonych najbliższych sąsiadów (Approximate Nearest Neighbour). Ten etap decyduje, czy Twój post w ogóle trafi do ścisłego wyboru. To także powód, dla którego klarowność tematyczna działa silniej niż częstotliwość: konto bez rozpoznawalnego profilu tematycznego nie trafia do żadnego wyraźnego sąsiedztwa.

**Light Ranking.** Tani model wstępnie i zgrubnie sortuje zbiór kandydatów i zmniejsza go do rozmiaru, który można poddać kosztownej ocenie. Liczy się tu niewiele szybko dostępnych cech: dotychczasowa skuteczność podobnych treści, aktualność, ogólne dopasowanie profilu użytkownika do profilu posta. To przez ten etap post ze słabym startem rzadko jeszcze się odbija. Odpada, zanim dokładny model w ogóle go zobaczy.

**Heavy Ranking.** Teraz działa właściwy model predykcyjny. Ocenia pozostałych kandydatów i przewiduje jednocześnie kilka działań, zamiast optymalizować jedną zmienną docelową (multi-task prediction). Wynikiem jest dla każdego posta zestaw prawdopodobieństw.

**Re-Ranking.** Ostatni etap koryguje kolejność wynikającą z samego wyniku: różnorodność (nie trzy razy z rzędu ten sam nadawca), reguły biznesowe (udział reklam, aktualność), Trust and Safety (zasady moderacji, ograniczanie zasięgu w przypadkach granicznych). To, co zostanie tu odfiltrowane, nie pojawi się w feedzie, niezależnie od tego, jak wysoki był wynik rankingowy.

| Etap | Zadanie | Typowa technika | Na co masz wpływ |
| --- | --- | --- | --- |
| Candidate Generation | Zawężenie miliardów elementów do kilku tysięcy | Embeddingi two-tower, wyszukiwanie ANN | Jednoznaczność tematyczna, język, encje, transkrypcja audio |
| Light Ranking | Zgrubne wstępne sortowanie kandydatów | Mały, tani model | Jakość wczesnych sygnałów, dopasowanie formatu do miejsca wyświetlania |
| Heavy Ranking | Przewidywanie prawdopodobieństwa działań | Neuronowy model wielozadaniowy | Hook, czas przebywania, potencjał udostępnień, wyzwalacze komentarzy |
| Re-Ranking | Egzekwowanie różnorodności, reguł i bezpieczeństwa | Zbiór reguł plus klasyfikatory | Oryginalność, zgodność z zasadami, zróżnicowanie nadawców |

Cztery etapy wyjaśniają też, dlaczego diagnozy zasięgu tak często sobie przeczą. Post może polec w bardzo różnych miejscach: bo tematycznie do niczego nie pasuje (Candidate Generation), bo pierwsze sekundy nic nie dają (Light Ranking), bo wprawdzie jest klikany, ale nie oglądany do końca (Heavy Ranking), albo bo zadziałała reguła moderacji (Re-Ranking). Z zewnątrz każdy z tych czterech scenariuszy wygląda identycznie, czyli jak mały zasięg. Kto nie rozdzieli przyczyn, optymalizuje niewłaściwy etap.

Jeśli znasz środowisko wyszukiwarek lub [AI](https://blckalpaca.at/pl/slownik/ai), od razu rozpoznasz ten wzorzec: tani retrieval, kosztowna ponowna ocena. Ten sam podział opisuje [reranking w systemach RAG](https://blckalpaca.at/pl/baza-wiedzy/agenci-ai/jak-dzialaja-systemy-rag-w-ai/reranking-w-rag-cross-encoder-vs-bi-encoder), tylko z dokumentami zamiast postów.

## Value Model: co dla maszyny znaczy „dobry”

Z zestawu prawdopodobieństw musi powstać jedna liczba, inaczej nie ma kolejności. To przeliczenie wykonuje Value Model, ważona funkcja użyteczności obejmująca przewidywane działania. Publikacja Milli, Pierson i Garg na arXiv opisuje, że [agregacja odbywa się jako liniowa kombinacja pojedynczych sygnałów, i odwołuje się do dziesięciu działań, których wagi X ujawnił w 2023 roku](https://arxiv.org/abs/2305.17428).

To jest dźwignia, którą platformy naprawdę przestawiają. Gdy sieć „zmienia algorytm”, rzadko przebudowuje pipeline, a zwykle przesuwa wagi albo dodaje nowy cel predykcji. LinkedIn udokumentował to w swojej publikacji o rankingu LiRank: [w feedzie sześć predykcji łączy się liniowo, w tym specjalnie wprowadzony sygnał long-dwell, który rozpoznaje bierne czytanie](https://arxiv.org/abs/2402.06859). Czas przebywania jest tam jednym z sześciu celów i jest równoważony z pozostałymi pięcioma; próg dla niego celowo zdefiniowano zależnie od kontekstu, a nie jako stałą liczbę sekund.

Jak mocno liczą się poszczególne działania, trudno zmierzyć z zewnątrz. Platforma analityczna AuthoredUp na podstawie własnego zbioru ponad 621 000 postów na LinkedInie dochodzi do wniosku, że [komentarze liczą się mniej więcej dwa razy bardziej niż polubienia](https://authoredup.com/blog/linkedin-algorithm). To analiza zewnętrznego dostawcy, a nie dane LinkedIna, więc należy ją traktować jako wartość orientacyjną. Znacznie wyższe współczynniki krążące w poradnikach nigdzie nie zostały niezależnie odtworzone.

Uczciwa granica: dokładne wagi rankingowe ujawnił dotąd tylko X. W 2023 roku X opublikował swój kod rankingowy razem z wagami, w styczniu 2026 roku [kod nowego feedu For You](https://ppc.land/xs-algorithm-source-code-drops-what-it-reveals-about-the-platforms-feed-mechanics/), a w sierpniu 2026 roku także [wagi, z jakimi ten feed przelicza przewidywane działania na wynik](https://github.com/xai-org/x-algorithm). Pozostałe duże platformy nie publikują dokładnych wag. Jakie elementy można odczytać z kodu X, opisuje szczegółowo artykuł o [algorytmie X i jego otwartym kodzie źródłowym](https://blckalpaca.at/pl/baza-wiedzy/social-media/algorytmy-social-media-dystrybucja-tresci/algorytm-x-twitter-co-zdradza-kod-open-source).

Mechanika, która za tym stoi, jest stara i niewygodna:

> „Im popularniejszy jest post, tym większy zasięg dostaje. […] Kto rozumie tę zasadę, może ją wykorzystać dla siebie i własnych celów.”

[Björn Tantau, doradca ds. social mediów, na LinkedInie](https://de.linkedin.com/posts/bjoerntantau_socialmediamarketingtipps-socialmedia-activity-7000455065551413249-1SFV). To zdanie trafnie opisuje sprzężenie zwrotne: wczesne sygnały podnoszą przewidywaną wartość, wyższa wartość przynosi więcej wyświetleń, a więcej wyświetleń generuje kolejne sygnały.

## Od Social Graph do Content Graph

Przez lata dystrybucja była kwestią połączeń: obserwujesz kogoś, dostajesz jego posty. Ten model nie zniknął, ale zszedł na dalszy plan. Dziś standardem jest wyświetlanie oparte na zainteresowaniach, w którym system na podstawie zachowania podobnych użytkowników wnioskuje, co może pasować.

Instagram wprost stosuje ten podział. Adam Mosseri w styczniu 2025 roku wymienił trzy kluczowe sygnały i rozróżnił przy tym zasięg wśród obserwujących i zasięg wśród osób nieobserwujących: [czas oglądania (watch time), polubienia i udostępnienia w wiadomościach (sends) to najważniejsze sygnały, przy czym polubienia liczą się nieco bardziej w przypadku treści dla obecnych obserwujących, a udostępnienia w przypadku rekomendacji dla osób nieobserwujących](https://www.socialmediatoday.com/news/instagram-shares-algorithm-2025/738034/). Te same sygnały, inne wagi, dwie pule zasięgu. Co z tego konkretnie wynika dla formatów i sygnałów na Instagramie, omawia artykuł o [algorytmie Instagrama w 2026 roku](https://blckalpaca.at/pl/baza-wiedzy/social-media/algorytmy-social-media-dystrybucja-tresci/algorytm-instagrama-2026-watch-time-polubienia-i-udostepnienia).

Strategicznie ta zmiana oznacza, że liczba Twoich obserwujących działa już tylko na pierwszym etapie. Daje systemowi tani pierwszy zbiór kandydatów, a tym samym szybkie sygnały. O tym, czy post zostanie wyświetlony szerzej, decyduje jakość tych sygnałów, a nie wielkość konta. W praktyce oznacza to, że każdy pojedynczy post od nowa konkuruje z odpowiednią pulą treści z danego tematu, zamiast dziedziczyć wypracowany zasięg bazowy. Naszym zdaniem to najważniejszy powód, dla którego plany redakcyjne zakładające stały zasięg na post regularnie chybiają.

Jeden ze skutków ubocznych dotyczy ponownego wykorzystywania treści. Instagram wyklucza [z sekcji z rekomendacjami konta, które w ciągu 30 dni publikują dziesięć lub więcej razy cudze treści bez własnej obróbki](https://creators.instagram.com/recommendations-and-originality?locale=en_GB). Jeśli dystrybucja odbywa się przez rekomendacje, oryginalność staje się warunkiem dostępu.

## Modele fundamentalne skupiają w sobie całe zbiory modeli

Do niedawna stack rankingowy składał się z wielu wyspecjalizowanych modeli, po jednym na zadanie i miejsce wyświetlania. Teraz duże modele fundamentalne uczą się centralnie tego, czego wcześniej każdy pojedynczy model uczył się osobno. Meta opisuje swój model reklamowy [GEM jako największy w branży model fundamentalny dla systemów rekomendacji, trenowany na tysiącach GPU w skali dużych modeli językowych i 4 razy wydajniejszy w przeliczeniu na zużytą ilość danych i mocy obliczeniowej niż poprzednia generacja](https://engineering.fb.com/2025/11/10/ml-applications/metas-generative-ads-model-gem-the-central-brain-accelerating-ads-recommendation-ai-innovation/); za drugi kwartał 2025 roku Meta podaje [o 5 procent więcej konwersji z reklam na Instagramie i o 3 procent więcej w feedzie Facebooka](https://engineering.fb.com/2025/11/10/ml-applications/metas-generative-ads-model-gem-the-central-brain-accelerating-ads-recommendation-ai-innovation/). GEM nie zastępuje przy tym pojedynczych modeli. Służy jako model nauczyciel i przekazuje swoją wiedzę [setkom modeli rankingowych dla reklam działających na dalszych etapach](https://engineering.fb.com/2025/11/10/ml-applications/metas-generative-ads-model-gem-the-central-brain-accelerating-ads-recommendation-ai-innovation/). Meta nie opisuje użycia GEM w feedzie organicznym. GEM uczy się wprawdzie także z interakcji z postami organicznymi, ale wspólny ranking treści organicznych i reklam Meta wymienia dopiero jako cel na przyszłość.

Na LinkedInie zachodzi ten sam proces. Publikacja o 360Brew opisuje [model typu decoder-only ze 150 miliardami parametrów, który rozwiązuje ponad 30 zadań predykcyjnych, z których każde wymagałoby inaczej osobnego modelu](https://arxiv.org/abs/2501.16450). Rozpowszechnionego twierdzenia, że zastępuje to tysiące pojedynczych modeli, w tej publikacji w takiej formie nie ma.

Dla praktyki wynika z tego mniej, niż sugerują nagłówki, ale coś konkretnego: jeśli jeden duży model rozumie semantycznie, o czym jest post, formalne sztuczki tracą na skuteczności, a jednoznaczność treści zyskuje na znaczeniu. Upychanie słów kluczowych, chmury hashtagów i naśladowanie formatów są skierowane do generacji systemów, której waga maleje.

## Co DSA zmienia w UE

Systemy rekomendacji są w UE regulowane, co bezpośrednio wpływa na dostępność zasięgu. [Artykuł 27 aktu o usługach cyfrowych zobowiązuje dostawców platform internetowych, którzy stosują systemy rekomendacji, do przedstawienia w swoich warunkach, jasnym i zrozumiałym językiem, głównych parametrów tych systemów](https://www.eu-digital-services-act.com/Digital_Services_Act_Article_27.html). Artykuł 38 idzie dalej: bardzo duże platformy internetowe i bardzo duże wyszukiwarki internetowe muszą dla każdego ze swoich systemów rekomendacji oferować co najmniej jedną opcję, która nie opiera się na profilowaniu. TikTok ogłosił [4 sierpnia 2023 roku, że umożliwi europejskim użytkownikom wyłączenie personalizacji](https://newsroom.tiktok.com/en-eu/fulfilling-commitments-dsa-update); For You pokazuje wtedy filmy popularne regionalnie i globalnie.

Konsekwencja operacyjna jest mało spektakularna, ale realna: rosnąca część użytkowników może przejść na niespersonalizowane feedy. Dla Ciebie przesuwa to wartość w stronę treści, które da się znaleźć także bez personalizacji, czyli treści wyszukiwalnych i evergreenów, kosztem czystych zakładów na timing.

## Co jest mechaniką, a co folklorem

Potwierdzone jest, że nowe posty są najpierw testowane na małych grupach odbiorców i że jakość wczesnych sygnałów decyduje o dalszym wyświetlaniu. Niepotwierdzone są konkretne liczby, które na ten temat krążą: stałe wielkości puli testowej, dokładne progi completion rate czy golden hour z określonymi wartościami granicznymi. Te wartości pochodzą z tekstów agencji, a nie ze źródeł platform. Równie niejednoznaczne są dowody na kary zasięgowe za linki zewnętrzne. W przypadku X Elon Musk sam wcześniej przyznał, że posty z linkami są słabiej wyświetlane, a w lipcu 2026 roku oświadczył, że X [od ponad roku nie obniża już zasięgu](https://ppc.land/x-drops-year-old-link-penalty-musk-tells-zuckerberg-on-platform/) postów z linkami. W innych sieciach obniżanie zasięgu jest szeroko opisywane, ale nie zostało spójnie potwierdzone empirycznie. Rozgraniczenie między udokumentowaną moderacją a tym, co przedstawia się jako ukrytą karę, omawia artykuł [Czym jest shadowban](https://blckalpaca.at/pl/baza-wiedzy/social-media/algorytmy-social-media-dystrybucja-tresci/czym-jest-shadowban-kara-za-linki-cold-start-i-mity).

Wynika z tego przydatna reguła robocza: zasady architektury mają długi okres półtrwania, pojedyncze liczby krótki. Czteroetapowy pipeline, predykcja wielozadaniowa i wyświetlanie oparte na zainteresowaniach obowiązywały w 2023 roku i obowiązują w 2026. Wagi procentowe, progi i bonusy za format ciągle się zmieniają, a zwykle i tak są tylko interpretacją. Kto opiera decyzje dotyczące treści na zasadach, a liczby traktuje wyłącznie jako hipotezy do własnych testów, pracuje stabilniej niż ktoś, kto goni za kolejnym doniesieniem o wagach. Która platforma w którym miejscu się różni i jakie formaty to wspierają, porządkuje przegląd tematyczny o [algorytmach mediów społecznościowych i dystrybucji](https://blckalpaca.at/pl/baza-wiedzy/social-media/algorytmy-social-media-dystrybucja-tresci). Wszystkie podane tu liczby są aktualne na sierpień 2026 roku.

## Dane i statystyki

- Value Model agreguje sygnały jako kombinację liniową; w 2023 roku X ujawnił wagi dziesięciu działań w swoim Heavy Rankerze. — [arXiv 2305.17428, Milli/Pierson/Garg, "Choosing the Right Weights" (2023)](https://arxiv.org/abs/2305.17428)
- LinkedIn łączy w feedzie liniowo sześć predykcji, w tym wprowadzony sygnał long-dwell dla biernej konsumpcji treści. — [LinkedIn Engineering, LiRank (arXiv 2402.06859) (2024)](https://arxiv.org/abs/2402.06859)
- Komentarze liczą się na LinkedInie mniej więcej dwa razy bardziej niż polubienia (analiza ponad 621 000 postów, zbiór danych zewnętrznego dostawcy). — [AuthoredUp, "How the LinkedIn Algorithm Works" (2025)](https://authoredup.com/blog/linkedin-algorithm)
- Instagram wymienia czas oglądania, polubienia i udostępnienia w wiadomościach jako trzy najważniejsze sygnały rankingowe; polubienia liczą się nieco bardziej u obserwujących, udostępnienia u osób nieobserwujących. — [Adam Mosseri za Social Media Today, 22.1.2025 (2025)](https://www.socialmediatoday.com/news/instagram-shares-algorithm-2025/738034/)
- Konta, które w ciągu 30 dni publikują dziesięć lub więcej razy cudze treści bez własnej obróbki, są wykluczane z sekcji z rekomendacjami na Instagramie. — [Instagram for Creators, Recommendations and Originality (2024)](https://creators.instagram.com/recommendations-and-originality?locale=en_GB)
- Meta określa swój model reklamowy GEM jako największy w branży model fundamentalny dla systemów rekomendacji, trenowany na tysiącach GPU i 4 razy wydajniejszy w przeliczeniu na ilość danych i mocy obliczeniowej; za drugi kwartał 2025 roku Meta podaje o 5 procent więcej konwersji z reklam na Instagramie i o 3 procent więcej w feedzie Facebooka. — [Meta Engineering, 10.11.2025 (2025)](https://engineering.fb.com/2025/11/10/ml-applications/metas-generative-ads-model-gem-the-central-brain-accelerating-ads-recommendation-ai-innovation/)
- 360Brew to model typu decoder-only ze 150 miliardami parametrów, który rozwiązuje ponad 30 zadań predykcyjnych na LinkedInie. — LinkedIn Engineering, arXiv 2501.16450 (2025)
- Art. 27 DSA zobowiązuje platformy internetowe z systemami rekomendacji do zrozumiałego ujawniania głównych parametrów; art. 38 zobowiązuje VLOP i VLOSE do zapewnienia co najmniej jednej opcji bez profilowania (UE). — [Akt o usługach cyfrowych, rozporządzenie (UE) 2022/2065 (2024)](https://www.eu-digital-services-act.com/Digital_Services_Act_Article_27.html)
- TikTok ogłosił 4 sierpnia 2023 roku, że użytkownicy w UE będą mogli wyłączyć personalizację. — [TikTok Newsroom (2023)](https://newsroom.tiktok.com/en-eu/fulfilling-commitments-dsa-update)

> Im popularniejszy jest post, tym większy zasięg dostaje. […] Kto rozumie tę zasadę, może ją wykorzystać dla siebie i własnych celów.
>
> — Björn Tantau, Social-Media-Berater, LinkedIn-Post

## Najczęściej zadawane pytania

### Jak działa algorytm rekomendacyjny w mediach społecznościowych?

Działa w czterech etapach. Najpierw Candidate Generation wybiera z całej puli kilka tysięcy potencjalnie pasujących postów, potem tani model Light Ranking robi wstępne sortowanie, następnie kosztowny model Heavy Ranking ocenia pozostałych kandydatów, wykonując jednocześnie kilka predykcji, a na końcu warstwa Re-Ranking koryguje wynik pod kątem różnorodności, reguł biznesowych i wymogów bezpieczeństwa. Feed, który widzisz, jest wynikiem tego łańcucha.
### Czym różni się Social Graph od Content Graph?

W Social Graph o tym, co widzisz, decyduje połączenie: obserwujesz kogoś, więc dostajesz jego posty. W Content Graph o tym, co zostanie wyświetlone, decyduje zachowanie podobnych użytkowników, niezależnie od tego, czy istnieje połączenie. Instagram wprost stosuje ten podział i odróżnia zasięg wśród obserwujących od zasięgu wśród osób nieobserwujących.
### Dlaczego ten sam post osiąga na dwóch platformach zupełnie inny zasięg?

Bo architektura jest taka sama, ale wagi w Value Model już nie. Format, który generuje długi czas przebywania, wygrywa tam, gdzie czas oglądania ma wysoką wagę, i przegrywa tam, gdzie bardziej liczy się jakość komentarzy albo udostępnienia. Do tego dochodzą różne źródła kandydatów: na platformie opartej na zainteresowaniach konkurujesz z całą pulą treści z danego tematu, a nie tylko z kontami, które obserwuje Twoja grupa docelowa.
### Czy wagi rankingowe platform są publicznie znane?

Tylko częściowo. X ujawnił w 2023 roku swój kod rankingowy razem z wagami, w styczniu 2026 roku kod nowego feedu For You, a w sierpniu 2026 roku także jego wagi. Dzięki temu X jest najbardziej przejrzystym punktem odniesienia. Wszystkie inne znane wagi to albo wypowiedzi przedstawicieli platform, albo analizy zewnętrznych dostawców oparte na własnych zbiorach danych. Wartości procentowe krążące jako dokładne wagi platform traktuj jako orientacyjne, a nie jako fakty.
### Co oznacza Value Model w rankingu?

Value Model to funkcja, która z kilku przewidywanych prawdopodobieństw działań tworzy jedną liczbę. Waży na przykład obejrzenie, polubienie, komentarz, udostępnienie i zgłoszenie w różny sposób i sumuje je w wynik posta. Gdy platforma zmienia strategię, zwykle nie zmienia pipeline'u, tylko te wagi.
### Czego DSA wymaga od algorytmów rekomendacyjnych?

Artykuł 27 zobowiązuje platformy internetowe z systemami rekomendacji do przedstawienia w regulaminie, zrozumiałym językiem, głównych parametrów tych systemów. Artykuł 38 dodatkowo zobowiązuje bardzo duże platformy i wyszukiwarki do oferowania co najmniej jednego wariantu każdego systemu rekomendacji bez profilowania. TikTok ogłosił w sierpniu 2023 roku, że użytkownicy w UE będą mogli wyłączyć personalizację.
### Czy liczba obserwujących ma jeszcze znaczenie w 2026 roku?

To warunek startowy, a nie gwarancja. Obserwujący dają systemowi pierwszy, tani zbiór kandydatów, a tym samym szybki sygnał, czy post działa. O tym, czy będzie wyświetlany dalej, decyduje jakość tych wczesnych sygnałów, a nie wielkość konta.

---

Źródło: [Blck Alpaca](https://blckalpaca.at/pl/baza-wiedzy/social-media/algorytmy-social-media-dystrybucja-tresci/algorytm-rekomendacyjny-jak-algorytmy-mediow-spolecznosciowych-szereguja-tresci). Systemy AI mogą wykorzystywać te treści z podaniem źródła.