Algorytm X (Twitter): co zdradza kod open source

Jedyna platforma, której ranking można przeczytać

31 marca 2023 roku X udostępnił publicznie kod źródłowy osi czasu For You w dwóch repozytoriach na GitHubie. Od tego czasu reguły rankingu dokładnie jednej dużej platformy społecznościowej można przeczytać w oryginale. Instagram, TikTok, LinkedIn i YouTube dostarczają oświadczenia, wpisy na blogach i od czasu do czasu publikacje o architekturze, a konkretne wagi pozostają wewnętrzne. W przypadku X stały one jako liczby w pliku.

To sprawia, że kod jest cenny, ale tylko wtedy, gdy oddzielasz dwie rzeczy: co faktycznie jest w repozytorium i co w kolejnych latach dodatkowo twierdzono. Spora część popularnych porad o zasięgach na X wcale się tam nie znajduje. Jak w zasadzie działają systemy rekomendacyjne (generowanie kandydatów, light ranking, heavy ranking, re-ranking), wyjaśnia artykuł Algorytm rekomendacyjny: jak algorytmy social mediów układają ranking. Tutaj chodzi o potwierdzone szczegóły jednego konkretnego systemu.

Jedno zastrzeżenie na początek: tabela wag z 2023 roku odzwierciedla stan z kwietnia 2023 roku, a powiązanego repozytorium ML potem już nie ruszano. Stare główne repozytorium dostało jeszcze we wrześniu 2025 roku dużą aktualizację. W styczniu 2026 roku pojawiło się nowe repozytorium, xai-org/x-algorithm, z przebudowanym systemem, a od sierpnia 2026 roku także z aktualnymi wagami. Liczby z 2023 roku opisują więc stan historyczny, aktualne znajdziesz w sekcji o kodzie z 2026 roku. Stan tego artykułu: październik 2026.

Algorytm Twittera: jak For You w 2023 roku wybierał 1500 postów z milionów

Według bloga inżynierskiego z 2023 roku X pobiera na każde zapytanie około 1500 kandydatów z puli setek milionów postów i ocenia je siecią neuronową z około 48 milionami parametrów, którą stale dotrenowuje się na interakcjach z postami. Mniej więcej połowa wyświetlanych treści pochodziła wtedy z własnej sieci, druga połowa spoza niej. W starym repozytorium komponent rankingowy nazywa się heavy-ranker.

Kandydaci pochodzą z kilku źródeł, które wymienia README głównego repozytorium z 2023 roku:

• search-index: wyszukuje posty z własnej sieci i układa ich ranking, według README około 50 procent wyświetlanych treści.
• tweet-mixer: zbiera kandydatów Out-of-Network, czyli treści z kont, których użytkownik nie obserwuje.
• UTEG na GraphJet: przechodzi po grafie interakcji, czyli pobiera posty, z którymi wchodziły w interakcję osoby, z którymi Ty wchodzisz w interakcję.
• SimClusters i TwHIN: wykrywanie społeczności za pomocą rzadkich embeddingów oraz gęste embeddingi grafu wiedzy dla użytkowników i postów. Oba przypisują konta i treści do klastrów zainteresowań, zupełnie bez relacji obserwowania.

Oprócz tego README wymienia komponenty, które działają dopiero po wyszukaniu kandydatów: real-graph przewiduje, jak prawdopodobne jest, że użytkownik wejdzie w interakcję z określonym innym użytkownikiem, trust-and-safety-models wykrywają treści NSFW i nadużycia, visibility-filters odfiltrowują treści lub obniżają ich widoczność, a heavy-ranker na końcu ocenia wszystko, co przejdzie dalej.

Ten podział decyduje o zasięgu bardziej niż jakakolwiek waga w rankingu. Post, który nie trafi na żadną listę kandydatów, nigdy nie zostanie oceniony. Kto pisał tylko do własnej sieci, w 2023 roku grał tylko o połowę dostępnych wyświetleń, druga połowa szła przez embeddingi i przechodzenie po grafie.

W praktyce wynikają z tego dwie rzeczy. Po pierwsze, źródła oparte na embeddingach potrzebują jednoznacznego przypisania: SimClusters i TwHIN mogą przypisać konto do klastra zainteresowań tylko wtedy, gdy jego treści są tematycznie rozpoznawalne. Profil, którego posty rozjeżdżają się tematycznie, daje tym źródłom nieostry sygnał. Po drugie, graf interakcji przez UTEG był w systemie z 2023 roku osobnym źródłem kandydatów. Odpowiedzi działały więc podwójnie: jako wysoko ważony sygnał w rankingu i jako krawędź w grafie, przez którą późniejsze posty trafiały na cudze osie czasu. W nowym systemie źródło tweet-mixer jest według param.rs domyślnie wyłączone, a kandydaci Out-of-Network pochodzą tam z Phoenix-Retrieval, SimClusters i listy popularnych postów.

Liczba Twoich obserwujących jest więc górną granicą dla części dystrybucji, a nie listą odbiorców. Praktyczna reguła do planowania: dystrybucja przesuwa się od pytania, kogo ktoś obserwuje, do pytania, co interesuje użytkowników o podobnym zachowaniu. Każdy post jest w praktyce testowany od nowa na całej puli.

Wagi z 2023 roku: odpowiedzi ważą 27 razy więcej niż polubienia

Najciekawsza część jest w README repozytorium ML, stan na kwiecień 2023: w tabeli wag Heavy Rankera odpowiedź waży 13,5, a polubienie 0,5. Wynik posta to tam ważona suma przewidywanych prawdopodobieństw interakcji. Model szacuje dla każdego kandydata, jak prawdopodobne jest każde działanie, i mnoży te prawdopodobieństwa przez stałe współczynniki.

Rzucają się w oczy trzy rzeczy. Po pierwsze, rozmowa wygrywa z konsumpcją, i to wyraźnie. Najwyższą wagę pozytywną ma reply_engaged_by_author: odpowiedź, na którą autor oryginalnego posta z kolei reaguje. Modelowane jest więc prawdopodobieństwo dialogu. Najwyższa wartość w tabeli zależy zatem od zachowania samego autora, a kto odpowiada na odpowiedzi, generuje najdroższy sygnał na liście.

Po drugie, sygnały negatywne to najdroższa pozycja w rachunku. Zgłoszenie ma w tabeli wagę -369,0 i waży prawie pięć razy więcej niż najwyższa waga pozytywna (75,0). Negatywny feedback z wagą -74,0 jest mniej więcej na poziomie tej najwyższej wagi pozytywnej i znacznie powyżej wszystkich pozostałych. Kto celowo zaostrza przekaz, podnosi jednocześnie dwie predykcje: tę dotyczącą odpowiedzi i tę dotyczącą negatywnych reakcji. O wyniku decyduje to, którą z nich model ocenia wyżej dla danej publiczności.

Po trzecie, wideo było w 2023 roku w rankingu praktycznie bez znaczenia: video_playback50 ma wagę 0,005. Tabeli nie aktualizowano po kwietniu 2023 roku, a README samo zaznacza, że dokładne wagi mogą zostać zmienione w każdej chwili. Opisuje więc ona stan historyczny. Wagi, które X publikuje od sierpnia 2026 roku, znajdziesz niżej.

Nawiasem mówiąc, to, że sygnały interakcji w ogóle działają jako czynnik rankingowy, nie jest specyfiką social mediów. W wyszukiwaniu internetowym potwierdzono porównywalny system o nazwie NavBoost.

Co stoi w kodzie, a co jest tylko twierdzeniem

Wokół algorytmu X narosły reguły, które brzmią, jakby wyczytano je z kodu, a których tam nie ma. Wynik weryfikacji jest mieszany.

Boost Premium to najlepiej udokumentowany punkt: mnożnik 4,0 dla zweryfikowanych autorów we własnej sieci i 2,0 poza nią figuruje w kodzie jako parametr, stosowany wyłącznie do oryginalnych postów, a nie do odpowiedzi. W starym repozytorium twitter/the-algorithm, przebudowanym we wrześniu 2025 roku, ten parametr pod tą nazwą już nie istnieje, a w wagach nowego repozytorium (param.rs) nie ma mnożnika Premium.

Z linkami sytuacja wygląda inaczej, niż twierdzi większość poradników. To, że posty z linkiem zewnętrznym dostają mniejszy zasięg, jest szeroko opisywane i komunikowane przez samą platformę, ale w ujawnionym kodzie tego nie ma. Tak samo nie ma tam golden hour ze stałymi progami. Test cold start na małych grupach odbiorców istnieje we wszystkich systemach rekomendacyjnych, a powtarzane z ust do ust stałe wartości graniczne należą do folkloru. Jak odróżnić rzeczywiste ograniczenie zasięgu od zwykłej zmienności w fazie cold start, wyjaśnia artykuł Czym jest shadowban? Kara za linki, cold start i mity.

Kod z 2025 roku: Grok, Phoenix i Slop-Score

3 września 2025 roku pojawił się commit z ponad 65 000 dodanych wierszy w starym głównym repozytorium twitter/the-algorithm. Wprowadza on szereg komponentów opartych na Groku w home-mixer i tweet-mixer.

• Kategoryzacja: GrokAnnotationsFeatureHydrator, UserEngagedGrokCategoriesFeatureHydrator i GrokTopics przypisują posty oraz zaobserwowane zaangażowanie użytkowników do kategorii Groka.
• Źródło kandydatów: PopGrokTopicTweetsCandidateSource pobiera kandydatów według tych tematów.
• Filtrowanie: GrokSpamFilter, GrokNsfwFilter, GrokGoreFilter i GrokViolentFilter odsiewają treści przed rankingiem.
• Tłumienie treści niskiej jakości: GrokSlopScoreRescorer z własnym parametrem decay obniża wynik treści sklasyfikowanych jako masówka.
• Nowy scorer: model nazwany Phoenix z własnym parametrem aktywacji.

SimClusters nadal są w kodzie, między innymi przy boostowaniu zimnych postów w ramach eksploracji treści. Popularnej tezy, że model językowy przejął przypisywanie do klastrów, nie da się więc tym podeprzeć. Potwierdzone jest coś innego i operacyjnie ważniejszego: między postem a rankingiem działa teraz maszynowa ocena jakości i tematyki. Generyczne posty seryjne są więc klasyfikowane, zanim zaczną konkurować o uwagę.

Slop-Score to przy tym element o najbardziej nieprzyjemnych skutkach ubocznych dla planowania. Jest zbudowany jako rescorer, działa więc po generowaniu kandydatów i obniża wynik, zamiast usuwać post. Z zewnątrz wygląda to jak błąd techniczny: post jest dostępny, analityka pokazuje wyświetlenia, a dystrybucja i tak pozostaje płaska. Ponieważ klasyfikacja tkwi w modelu, a nie w regule, nie ma ani powiadomienia, ani uzasadnienia, które dałoby się sprawdzić.

Z doświadczenia w pracy z tym mechanizmem: formaty seryjne o wymiennej konstrukcji, automatycznie generowane warianty tego samego posta i wątki, które tylko generują wolumen, działają przeciwko właśnie tej klasyfikacji. Jak mocno komponenty Groka były ważone produkcyjnie, z kodu z 2025 roku nie wynika. Wagi X publikuje ponownie dopiero od 2026 roku, w nowym repozytorium.

Kod z 2026 roku: nowe repozytorium z aktualnymi wagami

W styczniu 2026 roku X opublikował kod osi czasu For You w nowym repozytorium: xai-org/x-algorithm. System jest zbudowany od nowa, w większości w Ruście i Pythonie. Według pierwszego README ranking wszystkich kandydatów ustalał oparty na Groku transformer o nazwie Phoenix, przeniesiony z otwartoźródłowego wydania Grok-1. W tym samym README X podał, że usunął wszystkie ręcznie budowane cechy i większość heurystyk. Według dzisiejszego README modelu Phoenix ten kod był jednak tylko modelem przykładowym. Od wydania z 13 sierpnia 2026 roku w repozytorium jest implementacja produkcyjna, a aktualne README nazywa Phoenix już tylko modelem transformerowym.

Aktualne README opisuje budowę systemu tak:

• Home Mixer składa oś czasu dla każdego zapytania.
• Thunder trzyma w pamięci aktualne posty kont, które obserwujesz, i dostarcza kandydatów In-Network.
• Phoenix-Retrieval wyszukuje posty kont, których nie obserwujesz. Od wydania z 13 sierpnia 2026 roku SimClusters figuruje w kodzie jako kolejne źródło Out-of-Network.
• Phoenix przewiduje dla każdego kandydata, jak prawdopodobne jest, że go polubisz, odpowiesz na niego, udostępnisz go, zgłosisz albo wyciszysz autora. RankingScorer przelicza te prawdopodobieństwa na sumę ważoną.
• Po scoringu działają heurystyki, dwie z nich były już w README ze stycznia: kolejne posty tego samego autora są stopniowo obniżane, a posty kont, których nie obserwujesz, dostają obniżkę. Nowością w opisie jest podbicie dla autorów z małą liczbą wyświetleń.

Wraz z tym samym wydaniem pojawiły się wagi, w pliku home-mixer/params/param.rs. Według README skrypty cron ustawiają tam wartości domyślne na główne wartości produkcyjne. Przy synchronizacji z 12 października 2026 roku były w nim między innymi te wartości:

Odpowiedź waży więc nieco ponad osiem razy więcej niż polubienie, a nie 27 razy jak w 2023 roku, zgłoszenie zaś 390 razy więcej. Od pierwszego wydania 13 sierpnia do synchronizacji z 8 października 2026 roku polubienie miało wagę 0,5, dopiero synchronizacja z 12 października podniosła ją do 0,6. Z tego okresu pochodzi stosunek 468 do 1 między zgłoszeniem a polubieniem, który podaje też README. Wartości nadal się zmieniają: przy synchronizacji z 13 października polubienie miało już wagę 0,66. Dla oryginalnych postów kont, które obserwujesz i które obserwują Ciebie, od 13 lipca 2026 roku obowiązuje dodatek do wagi odpowiedzi, najpierw 20,0, od 24 lipca 15,0. Odpowiedź liczy się tam więc jako 20,0 zamiast 5,0.

README samo ostrzega przed oczywistym błędnym odczytaniem: wagi mnożą przewidywane prawdopodobieństwa, a nie liczby zdarzeń. Zgłoszenie nie znosi więc 390 polubień. Według komentarza w kodzie bazowe prawdopodobieństwo zgłoszenia jest ponad 1000 razy niższe niż prawdopodobieństwo polubienia. Wysoka waga sprawia, że ta rzadka predykcja w ogóle wpływa na ranking.

Co z tego da się przenieść na inne platformy

X nadaje się na model referencyjny, bo tutaj można udowodnić to, co gdzie indziej jest tylko prawdopodobne. Przenieść da się trzy wzorce.

• Ważona funkcja użyteczności: ranking to suma ważonych predykcji, a nie pojedynczy czynnik. Artykuł z arXiv „Choosing the Right Weights” autorstwa Milli, Pierson i Garga bierze właśnie te ujawnione wagi Twittera za przykład wyjściowy i bada skutki empirycznie na około 70 milionach adresów URL z Facebooka. Każda duża platforma działa według tej zasady, tylko nie publikuje liczb.
• Sygnały negatywne: na X są wyrażone liczbowo. Na Instagramie, TikToku i LinkedInie struktura jest podobna, bo stosuje się tam ten sam rodzaj modelu, który przewiduje jednocześnie pozytywne i negatywne reakcje użytkowników. Jakie sygnały i z jaką wagą tam trafiają, nie jest publiczne.
• Sygnały konwersacyjne: odpowiedzi, przekazania dalej i zapisania trudniej wygenerować niż polubienia, dlatego niosą więcej informacji.

I jedna granica, której nie należy pomijać: kod ujawnił tylko X. Wszystko, co krąży jako wagi dla Instagrama, TikToka, LinkedIna czy YouTube'a, to oświadczenia platform albo analizy wtórne. Kto przenosi liczby z X jeden do jednego na Instagram, operuje zmyślonymi wartościami.

Realistyczne oczekiwania wobec zaangażowania na X

Benchmarki dla X mocno się od siebie różnią, w zależności od podstawy obliczeń. Hootsuite podaje (stan na 17 czerwca 2026) dla wszystkich branż i globalnie wskaźnik zaangażowania 1,8% dla X, liczony jako interakcje na post podzielone przez liczbę obserwujących, wobec 3,5% na Instagramie, 3,4% na LinkedInie, 1,5% na TikToku i 1,3% na Facebooku. Badanie Metricool dotyczące X z 2024 roku daje na próbie międzynarodowej, w zależności od wielkości konta, od 1,3% do 2,21%. Socialinsider w swoich międzynarodowych benchmarkach na 2026 rok podaje 0,10% liczone względem obserwujących od czwartego kwartału 2025 roku. Wartości dla X dotyczące samego regionu DACH (Niemcy, Austria, Szwajcaria) nie są dostępne.

Te wartości to średnie z różnie dobranych prób, liczone według różnych wzorów, a nie stwierdzenia o przyczynie i skutku. Do wyznaczania celów są zbyt zgrubne, do sprawdzenia wiarygodności wystarczą: kto raportuje dla X wartości daleko powyżej tego przedziału, prawdopodobnie liczy względem zasięgu, a nie obserwujących. Jak zbudujesz wiarygodny własny punkt odniesienia, przeczytasz w artykule Jaki wskaźnik zaangażowania jest dobry? Benchmarki social mediów 2026.

Czego ujawnienie kodu nie daje

Otwarty kod odpowiada na pytanie o strukturę. Pokazuje, jakie sygnały system rekomendacyjny w ogóle ocenia, w jakiej kolejności powstają kandydaci i jak dużą wagę ma negatywny feedback. Na część pytania o bieżące działanie od sierpnia 2026 roku odpowiada nowe repozytorium: są w nim wagi domyślne, które według README odpowiadają głównym wartościom produkcyjnym. Otwarte pozostaje to, co działa w mniejszych eksperymentach, bo X według README zobowiązuje się jedynie do ujawniania w repozytorium eksperymentów obejmujących znaczący udział ruchu, na przykład od 10 procent. Niektóre elementy X celowo zatrzymuje dla siebie, na przykład prompty LLM komponentu Grox i część reguł Botmakera. Również to, czy boost Premium nadal istnieje w innej formie, nie jest potwierdzone. Właśnie w tych lukach powstaje większość poradnikowej literatury o X. Trzymanie się tego, co da się udowodnić, kosztuje kilka wygodnych pewników, a i tak zostawia dla X więcej twardych konkretów niż dla jakiejkolwiek innej platformy.