Xのアルゴリズムを徹底解析｜xAIが公開した「For You」推薦システムのコードを読み解く

xAI は、X（旧 Twitter）の「For You」フィードを動かす推薦アルゴリズムを、オープンソースのリポジトリ xai-org/x-algorithmとして公開しています。X の Engineering アカウントは公開時に「xAI の Grok と同じ Transformer アーキテクチャで動く、新しい X のアルゴリズムをオープンソースにした」と説明しました（@XEng の告知）。本記事では、この一次情報であるコードと README を読み解き、フィードがどう組み立てられているかを整理します。

01.Xで発信する人が押さえるポイント

X を伸ばしたい人向けに、このアルゴリズムから導ける実用的なポイントを先にまとめます。仕組みの詳しい解説はこのあとの章で扱います。ただし、これはアルゴリズムを操作する近道ではなく、システムの構造から自然に導ける範囲の話です。

X が採点に使う行動は、公開されているコード（weighted_scorer.rs）では次の19項目です。プラスはスコアを上げ、マイナスは下げる方向に働きます。重みの具体的な数値は非公開で、ここで分かるのは「何が採点に使われるか」です。

15項目がプラス、4項目がマイナスです。ここから、X を伸ばすうえで押さえておきたいポイントを整理します。

• ネガティブな反応は順位を直接下げ得ます。ブロック・報告・「興味がない」が予測対象に入っているため、見た人が嫌がりやすい投稿は、いいねが多少ついても評価が下がる方向に働きます。
• いいね以外の行動も見られています。返信・リポスト・滞在時間・プロフィールへの遷移など、複数の行動が同時に予測されます。1種類の反応だけを狙うより、読んで反応したくなる中身かどうかが効いてきます。
• フォロー外にも届く設計です。フォロー外の投稿も機械学習で見つけて混ぜるため、関心の近い層に届く可能性があります。一方で、同じ著者ばかりが並ばないよう多様性の調整も入ります。
• 短い動画で視聴数だけを稼ぐのは効きにくいです。採点のコードでは、動画が最低再生時間を超えないと、動画視聴の重み（コード上の変数名は VQV）が0になります。数秒の動画を貼って視聴の信号を稼ぐ、といった操作への備えになっています。
• 課金・認証は公開コードでは加点要因に出てきません。採点に使われる重みはすべてエンゲージメント系の行動で、認証（verified）や Premium を直接ブーストする項目は公開スコアリングコードに見当たりません。ただし重みの数値とモデルが使う入力すべては非公開のため、本番での扱いまでは断定できません。

記事（長文）や画像・動画といった投稿機能についても、同じ見方が当てはまります。「その機能を使うと加点」ではなく、機能が滞在時間・クリック・返信・共有などの行動を実際に引き出した分だけスコアに乗る、という間接的な経路です。採点では滞在時間やクリックも見られているため、読みごたえのある記事がよく読まれれば、こうした反応を経由して評価につながり得ます。

裏を返せば、形式そのものは前提条件にすぎません。誰も読まない長文を置いても滞在やクリックが発生しなければ評価には結びつかず、「続きを読む」のクリックが要る形式は、ひと手間が増えてかえって読まれにくくなることもあります。加えて、X がリーダー表示の滞在をどう計測するかは公開コードからは読み取れません。動画の最低再生時間ゲートのようなゲーミング対策の前例もあるため、滞在やクリックの水増しが素直に効くとは限らない、と見ておくのが安全です。

02.結論：For Youは「Grok系Transformer」へ作り替えられた

2023年に公開された旧来のアルゴリズム（twitter/the-algorithm）は、人手で設計した多数の特徴量とルールを組み合わせる作りでした。これに対し、新しい xai-org/x-algorithm は、何を見せるかの判断を Grok 由来の Transformer モデルに委ねています。X の Engineering アカウントが述べたとおり、ランキングの中核は Grok と同じ Transformer アーキテクチャです（@XEng）。

全体の流れは大きく2段階です。まず膨大な投稿の中から関連しそうな候補を集める「候補生成（リトリーバル）」があり、次にその候補を1つずつ採点して並べる「ランキング」があります。フォロー中の投稿は Thunder が、フォロー外の投稿は Phoenix のリトリーバルが受け持ち、集まった候補を Phoenix のランキングモデルが採点します。

03.リポジトリの全体像：5つのコンポーネント

リポジトリは、役割ごとに5つの主要なディレクトリ（コンポーネント）に分かれています。それぞれが「候補を集める」「採点する」「組み立てる」のどこを担うかを押さえると、全体像がつかみやすくなります。

これらの部品は役割ごとに分かれていますが、home-mixer がそれらをつなぎ、1リクエストごとにフィードを組み立てて返します。

04.候補生成：フォロー内（Thunder）とフォロー外（Phoenix）

For You フィードは、フォロー中アカウントの投稿（イン・ネットワーク）と、フォローしていないアカウントの投稿（アウト・オブ・ネットワーク）を混ぜて作られます。前者を Thunder が、後者を Phoenix のリトリーバルが担当します。

Thunder：フォロー中の投稿をインメモリで配る

Thunder は、最近の投稿をメモリ上に保持する投稿ストアです。データベースに毎回問い合わせる代わりにメモリから引くことで、フォロー中アカウントの新しい投稿を素早く取り出せます。投稿の作成・削除はイベントとして流れてきて、ストアの内容が随時更新されます。フォローしている相手の発信を取りこぼさず、できたてを届けるための土台です。

Phoenix Retrieval：2タワーでフォロー外から探す

フォロー外からの発見を担うのが Phoenix のリトリーバルです。ここでは「2タワー（two-tower）」と呼ばれる構造を使います。ユーザー側の情報と行動履歴を Transformer で1本のベクトル（埋め込み）にまとめ、投稿側も同じ空間のベクトルに変換しておきます。そのうえで、2つのベクトルの類似度（内積、または正規化したコサイン類似度）が大きい投稿を上位から取り出します。内積はベクトルの大きさにも左右されるため、厳密な「近さ」を測るときは正規化したコサイン類似度を使います。膨大な投稿の全部を1件ずつ採点するのは現実的でないため、まず近いものだけを数百件規模に絞り込む役割です。

ベクトルの「近さ」で関連度を測る考え方は、推薦や検索で広く使われています。内積やコサイン類似度といった距離の指標そのものは、別記事で基礎から整理しています。

05.ランキング：Transformerと「候補同士を見ない」設計

候補が集まったら、Phoenix のランキングモデルが1件ずつ採点します。このモデルは Grok と同じ Transformer をベースにしており、ユーザーの行動履歴を手がかりに「この人はこの投稿に対してどんな反応をしそうか」を予測します。

マルチアクション予測：好意的な行動とネガティブな行動

ランキングモデルは、1つの投稿に対して複数の行動の起こりやすさを同時に予測します。好意的な行動だけでなく、見たくないという意思表示までを含めて予測するのが特徴です。公開されているミニモデルでは、こうした行動が19種類に分かれています。

ネガティブな行動を予測対象に含めている点が重要です。短期的にクリックされやすいかだけでなく、その投稿を見せると「ブロックされそう」「報告されそう」かまで見積もり、後段のスコアでそれを差し引けるようにしています。

スコア式：予測確率の重み付き和

予測した行動それぞれの確率に重みを掛けて足し合わせ、1つのスコアにまとめます。考え方は 最終スコア = Σ ( weight_i × P(action_i) ) で、実際の計算は home-mixer のスコアラー（home-mixer/scorers/weighted_scorer.rs）にあります。コードでは、行動ごとの予測スコアに名前付きの重みを掛けて足し上げます。

// home-mixer/scorers/weighted_scorer.rs の考え方
最終スコア =
    apply(favorite_score, FAVORITE_WEIGHT)
  + apply(reply_score,    REPLY_WEIGHT)
  + apply(retweet_score,  RETWEET_WEIGHT)
  + ...                                            // 好意的な行動（全19信号）
  + apply(not_interested_score, NOT_INTERESTED_WEIGHT)  // 負の重み
  + apply(block_score,          BLOCK_AUTHOR_WEIGHT)    // 負の重み
  + apply(report_score,         REPORT_WEIGHT)          // 負の重み

// 各 *_WEIGHT の数値は params モジュールにあり、公開対象から外れている

好意的な行動には正の重み、ネガティブな行動には負の重みが置かれます。これにより、反応されやすい投稿は上がり、嫌われそうな投稿は下がります。ここで押さえたいのは、個々の数値より「複数の行動予測を重み付きで足し合わせて1つの順位に落とす」という構造です。各行動の予測確率を評価する考え方は、予測モデルの評価指標の記事でも扱っています。

候補の独立性と著者の多様性

Phoenix のランカーには、特徴的なアテンションの制約があります。各候補は、ユーザーの情報と行動履歴、そして自分自身の特徴量は参照できますが、同時に並んでいるほかの候補へのアテンションはマスクされています。Phoenix の README でも、候補同士はお互いを参照できないと説明されています（phoenix/README.md）。

この制約には実利があります。同じユーザー・同じ投稿であれば、ほかにどんな候補が並んでいてもスコアが変わらないため、採点結果を使い回せます。バッチの組み方でスコアがぶれない、一貫した採点になるわけです。

一方で、同じ著者の投稿ばかりが上位を占めると、フィードが単調になります。そこで home-mixer には、同じ著者の投稿が繰り返し現れたときにスコアを弱める「著者の多様性」の処理が入っています。1人の発信に偏らせず、フィードに幅を持たせるための仕組みです。

06.フィルタリング・選択・広告ブレンド

候補は採点の前後で絞り込まれます。採点前のフィルタには、重複の除去、古すぎる投稿の除外、自分の投稿の除外、同じ内容のリポストの統合、ミュートしたキーワードを含む投稿の除外などがあります。採点後にも、表示してよいかの確認や、同じ会話の重複をまとめる処理が入ります。

絞り込みを終えた候補から、最終的に表示するものを選ぶのが「選択（Select）」です。home-mixer には広告をブレンドする仕組みと、ブランドの安全性を追跡する処理も含まれ、通常の投稿に広告を差し込んでフィードを返します。

07.Grox：コンテンツ理解（スパム検知・分類・ポリシー）

grox は、投稿そのものの中身を理解するためのコンポーネントです。分類器と埋め込みを使い、スパムの検知、投稿のカテゴリ分け、ポリシー（運用ルール）の適用を担います。ランキングが「誰がどう反応しそうか」を見るのに対し、grox は「この投稿は何で、安全か」を見る役割です。スパムや規約に触れる投稿を見分け、フィードに出す前の判断材料を提供します。

公開リポジトリの2026年5月15日アップデートの記録によると、このコンテンツ理解（content understanding）の部品は、広告のブレンドなどと合わせてこのときに加わったとされています（コミット履歴）。フィードの安全性や品質を支える層として位置づけられています。

08.2023年版との違い：手作りの特徴量から学習へ

新旧の最大の違いは、何が順位を決めるかという考え方です。2023年に公開された twitter/the-algorithmは、コミュニティを見つける SimClusters、リアルタイムの関係グラフをたどる GraphJet、検索インデックスの Light Ranker、そして候補を採点する Heavy Ranker（ニューラルネットワーク）といった、役割の違う部品の組み合わせでした（X Engineering: Twitter's Recommendation Algorithm（2023））。

当時の twitter/the-algorithmのコードには、行動ごとの重みが定数として書き込まれていました。返信は「いいね」よりはるかに大きく重みづけされ、ブロックや報告のようなネガティブな行動には大きな負の重みが置かれる、といった具合です。何を重視するかを人手のルールと数値で決めていたわけです。SimClusters のように、似た関心を持つ人の集まり（コミュニティ）を見つける発想は、教師なしのクラスタリングと地続きです。

新しい xai-org/x-algorithm は、この作りを大きく変えました。リポジトリには「手作りの特徴量を1つ残らず、そしてほとんどのヒューリスティクスを排除した」と書かれています。何を見せるかは、人手で組んだ特徴量やルールではなく、利用者の行動の並びから Transformer が学習して決めます。重みは依然としてスコアの調整に使われますが、入力となる特徴量を人が設計する部分が大幅に減ったのが本質的な変化です。

どちらが優れているかという話ではなく、設計思想が違います。2023年版は部品ごとに役割が見え、ルールを追いやすい一方で、調整が人手に依存しました。新版はモデルに判断を寄せることで運用を単純にしましたが、なぜその順位になったかは重みの一覧だけでは読み切れません。透明性の意味合いも変わっています。

旧来の部品という観点では、2023年版を構成していた SimClusters・GraphJet・Light/Heavy Ranker は新版のリポジトリに含まれておらず、候補生成は Thunder と Phoenix のリトリーバルに、ランキングは Phoenix の Transformer に置き換わりました。ただし、公開されているのは本番システムの代表的な実装で、重みの数値（params）や一部の処理は含まれていません。X は Grok ベースへの全面的な置き換えと説明していますが、公開コードだけから本番の隅々まで確認できるわけではない点には注意が必要です。

09.コードを動かす：パイプラインと事前学習ミニモデル

このリポジトリは、読むだけでなく実際に動かせるように作られています。公開リポジトリの記録によると、2026年5月15日のアップデートで、リトリーバルからランキングまでを一気に通す入口 phoenix/run_pipeline.py が加わりました（コミット履歴）。それまで別々だったリトリーバルとランキングの実行を、1つの入口にまとめたものです。

あわせて、小規模な事前学習済みの Phoenix モデル（ミニモデル）が配布されています。Phoenix の README によると、このミニモデルは約3GB のアーカイブとして Git LFS で配布され、埋め込みの次元やレイヤー数を抑えた小さな構成です（phoenix/README.md）。同じく README によると、デモ用には約6時間ぶんのスポーツ関連の投稿 ID（約53.7万件）が同梱されており、パイプラインがどう候補を引いて並べるかを手元で試せます。

Transformer やトークン、埋め込みといった、モデルの土台になる用語そのものに不安がある場合は、基礎を別記事で整理しています。

10.よくある質問（FAQ）

11.まとめ

xai-org/x-algorithm は、X の For You フィードを動かす推薦システムを、Grok と同じ Transformer をベースにした作りへ書き換えたものです。フォロー中の投稿は Thunder、フォロー外は Phoenix のリトリーバルが集め、Phoenix のランキングモデルが複数の行動予測を重み付きで足し合わせて並べます。候補同士を見ないアテンションで採点を安定させ、著者の多様性やフィルタ、grox によるコンテンツ理解で品質を整える構成です。

2023年版との一番の違いは、手作りの特徴量とルールを排し、判断を学習モデルに寄せたことです。重みの数値そのものより、この構造の変化を押さえることが、X のフィードを理解する出発点になります。仕様は更新され続けるため、最新の挙動は必ず公式リポジトリで確認してください。