How the X Algorithm Actually Works in 2026 — and What That Means for Growth

Kernpunkte

1. Primärquelle. Open-Source-Veröffentlichung xai-org/x-algorithm am 15. Mai 2026. Der Bericht ist auf 2026-05-16 datiert (vermutlich Tag+1 nach der Veröffentlichung). Datum der Aufnahme in die Watch-Datei: 2026-05-16 (= heute).
2. 4 Architekturkomponenten.
3. Home Mixer. (x-algorithm/home-mixer/) — Rust-Orchestrator zur Anfragezeit, Pipeline hydrate → source → hydrate → filter → score → select → filter.
4. Thunder. (x-algorithm/thunder/) — mit Kafka gespeister Rust-In-Memory-Store aktueller Posts, Sub-Millisekunden-Lookups für In-Network-Kandidaten. Schlüsseldateien: thunder/main.rs, thunder/post_store.rs, thunder/kafka_utils.rs.
5. Phoenix. (x-algorithm/phoenix/) — JAX-ML-Dienst mit zwei Rollen: (1) Two-Tower-Retrieval für OON, (2) Ranking über einen von Grok-1 abgeleiteten Transformer, der 19 Aktionen vorhersagt.
6. Grox. (x-algorithm/grox/) — Offline-Dienst zum Content-Verständnis, Klassifikatoren (Spam, Safety, PTOS, Banger, Reply-Ranking) + multimodaler v5-Embedder. Liegt nicht im Hot Path; schreibt in den Feature-Store, Home Mixer hydratisiert die Signale.
7. Home-Mixer-Pipeline (Architektur zitiert aus dem README). 1. Query-Hydration (User Action Sequence + User Features) 2. Kandidatenquellen (Thunder In-Network + Phoenix-Retrieval OON + Anzeigen + Who-to-Follow + Themen + MoE + Prompts) 3. Hydration (Kern-Metadaten, Autoreninfo, Medien, Engagement-Zahlen) 4. Filterung vor dem Scoring (Deduplizierung, Alter, eigene Posts, Blocks, Mutes, Paywall, bereits gesehen) 5. Scoring (Phoenix Scorer P(action) für jede der 19 Aktionen → Weighted Scorer Σ(weight × P) → Author Diversity → OON Scorer) 6. Auswahl (Sortierung nach Endscore, Auswahl der Top K) 7. Filter nach der Auswahl (VFFilter für Löschungen/Spam/Gewalt/Gore, Konversations-Deduplizierung)
8. Die 19 von Phoenix vorhergesagten Aktionen. (phoenix/runners.py:233-252, home-mixer/candidate_pipeline/candidate.rs:30-51 PhoenixScores):
9. Positive. 0 favorite, 1 reply, 2 repost, 3 photo_expand, 4 click, 5 profile_click, 6 vqv (gesteuert), 7 share, 8 share_via_dm, 9 share_via_copy_link, 10 dwell, 11 quote, 12 quoted_click, 13 follow_author, 18 dwell_time (kontinuierlich)
10. Negative. (NEGATIVE_FEEDBACK_INDICES = [14, 15, 16, 17]): 14 not_interested, 15 block_author, 16 mute_author, 17 report
11. Neue erstklassige Signale gegenüber 2023. kontinuierliches dwell_time (nicht nur binär), vqv_score (gesteuert durch MIN_VIDEO_DURATION_MS), follow_author_score (Phoenix sagt voraus, „ob dieser Post seinem Autor einen Follower einbringt“), 3 Share-Varianten (share, share_via_dm, share_via_copy_link).
12. Score-Formel. (home-mixer/scorers/weighted_scorer.rs:44-91): ` score = Σ_i (weight_i × P(action_i)) × OON_WEIGHT_FACTOR (falls OON, sonst 1) × diversity_multiplier(position) + offset_score() (hält negative Aggregate wohlgeordnet) ` wobei vqv_weight durch 0 ersetzt wird, falls video_duration_ms ≤ MIN_VIDEO_DURATION_MS.
13. KRITISCHER Vorbehalt — die Gewichte sind nicht in der Veröffentlichung enthalten.
14. FAVORITE_WEIGHT, REPLY_WEIGHT, RETWEET_WEIGHT, OON_WEIGHT_FACTOR, NEW_USER_OON_WEIGHT_FACTOR, AUTHOR_DIVERSITY_DECAY, AUTHOR_DIVERSITY_FLOOR, MIN_VIDEO_DURATION_MS, NEGATIVE_SCORES_OFFSET, WEIGHTS_SUM, NEGATIVE_WEIGHTS_SUM werden alle als crate::params::* referenziert.
15. Es existiert keine params.rs im Repo. (verifiziert durch erschöpfendes grep -rn).
16. Wird von einem internen X-Feature-Switch-/Parameter-Dienst für A/B-Tests und Tuning ohne Code-Änderungen verwaltet.
17. Implikation. nur die Richtungen (positiv vs. negativ, Gate vs. weiche Anpassung, Vorhandensein vs. Fehlen eines Multiplikators) sind belegbar. Größenordnungen sind erfunden.
18. 3 strukturelle Multiplikatoren. (wichtiger als einzelne Gewichte):
19. OON-Abschlag. (oon_scorer.rs:20-23): score = base_score × OON_WEIGHT_FACTOR if OON else base_score. Kommentar in Zeile 7: « In-Network-Kandidaten gegenüber Out-of-Network-Kandidaten priorisieren ». Kodifizierung von „Follower zählen“.
20. OON-Ausnahme für neue Nutzer. (ranking_scorer.rs:220-239): Ist das Konto < NewUserAgeThresholdSecs UND folgt ≥ NEW_USER_MIN_FOLLOWING Accounts, wird der OON-Abschlag durch NEW_USER_OON_WEIGHT_FACTOR ersetzt. Struktureller Bias darauf, was neue Konten sehen (und damit, was neue Konten erreichen können).
21. Author-Diversity-Decay. (author_diversity_scorer.rs:29-31): multiplier(position) = (1 - floor) × decay_factor^position + floor. Position = Anzahl der Posts desselben Autors, die bereits weiter oben in der sortierten Liste erscheinen. Der beste Post eines Autors behält seinen Score, jeder weitere wird exponentiell abgeschwächt, ohne unter floor zu fallen. Implikation für die Kadenz: strukturell, nicht heuristisch.
22. Video-Dauer-Gate. (weighted_scorer.rs:72-81): vqv_score fließt nur dann in die gewichtete Summe ein, wenn video_duration_ms > MIN_VIDEO_DURATION_MS. Hartes Gate, kein weicher Abschlag: zu kurze Clips erhalten schlicht keinen VQV-Beitrag.
23. Was nie in den Ranker gelangt. (unsichtbar verlorene Reichweite):
24. Filter vor dem Scoring. DropDuplicatesFilter, CoreDataHydrationFilter, AgeFilter, SelfpostFilter, RepostDeduplicationFilter, IneligibleSubscriptionFilter (Paywall), PreviouslySeenPostsFilter, PreviouslyServedPostsFilter, MutedKeywordFilter, AuthorSocialgraphFilter (bidirektionaler Block, einschließlich des zitierten Autors eines Quote-Tweets).
25. Filter nach der Auswahl. VFFilter (gelöscht/Spam/Gewalt/Gore), DedupConversationFilter.
26. Grox-Offline-Gates. (Eligibility, keine Score-Modifikatoren): task_spam_detection.py / classifiers/content/spam.py, task_post_safety_screen_deluxe.py, task_safety_ptos_policy.py, task_banger_screen.py (positiv), task_reply_ranking.py.
27. Grundlegender architektonischer Punkt. « Grenzwertiger Content wird im System von 2026 nicht ‚herabgestuft‘. Er wird bereits zur Hydration-Zeit disqualifiziert und erreicht das Scoring nie. Das unterscheidet sich substanziell vom Modell der reduzierten Reichweite / Sichtbarkeitsfilterung des Systems von 2023. »
28. Wovon Phoenix tatsächlich lernt.
29. Der folgenreichste Input = die Aktionssequenz des Nutzers. (user_action_seq_query_hydrator.rs), nicht der Kandidaten-Post.
30. Candidate-Isolation-Attention. (phoenix/recsys_model.py): Kandidaten können auf die Aktionssequenz des Nutzers zugreifen, aber nicht aufeinander → pro Nutzer, pro Post, batch-unabhängige, cachefähige Scores.
31. Kein einziges globales „dieser Post ist gut“. „derselbe Post, der bei Nutzer A mit Wahrscheinlichkeit p₁ ein Like erhält, wird bei Nutzer B mit p₂ vorhergesagt“.
32. Viral gehen. = ein Ergebnis auf Populationsebene aus unabhängigen persönlichen Vorhersagen, keine optimierte Metrik.
33. Handgefertigte Features entfernt. (README Zeile 55): „Wir haben jedes einzelne handgefertigte Feature und die meisten Heuristiken aus dem System entfernt.“
34. Zwei Signale werden dennoch explizit hydratisiert. mutual_follow_jaccard_hydrator.rs (Jaccard-Index von Betrachter-Followern ∩ Followern des Kandidaten-Autors), following_replied_users_hydrator.rs (jemand, dem der Betrachter folgt, hat auf den Kandidaten geantwortet).
35. OON-Retrieval (Two-Tower). Dein Aktionsverlauf → Nutzer-Embedding, Kandidaten-Posts → Post-Embeddings (aus grox/embedder/multimodal_post_embedder_v5.py, das Text+Bilder+Video-ASR-Transkript in einen normalisierten 1024-dim-Vektor kodiert). Deine Auffindbarkeit durch Fremde ist eine Funktion der Embedding-Nähe zwischen deinen Posts und denen, mit denen deine Zielgruppe bereits interagiert.
36. 5 tragende Unterschiede zu 2023. 1. Keine handgefertigten Features (2023 gab es expliziten Verifizierungsstatus, zahlende Abonnenten, Netzwerkdistanz). 2. Ein einzelnes Modell sagt 19 Aktionen voraus statt mehrerer Einzelaktions-Modelle. 3. Grox trennt Content-Verständnis vom Ranking (grox/plan_master.py orchestriert 9 parallele Pläne). 4. Neue erstklassige Signale (kontinuierliches dwell, gesteuertes vqv, follow_author, 3 Share-Varianten). 5. Two-Tower-OON-Retrieval (statt SimClusters + Heuristiken von 2023). ### 7 Säulen (wiederkehrend über Personal / Marke / Framework) 1. In-Network-Vorteil (oon_scorer.rs:20-23) — OON × Faktor < 1. 2. P(action)-Framing (phoenix/recsys_model.py) — Wahrscheinlichkeiten pro Nutzer. 3. High-Weight-Aktionen (weighted_scorer.rs:49-67) — Auswahl, welche der 19 ausgelöst werden sollen. 4. Diversity-Decay (author_diversity_scorer.rs:29-31) — (1-floor) × decay_factor^position + floor. 5. Negative Signale (weighted_scorer.rs:64-67 + AuthorSocialgraphFilter + MutedKeywordFilter) — direkte Abzüge + harte Gates. 6. Two-Tower-Auffindbarkeit (phoenix_source.rs + multimodal_post_embedder_v5.py) — Embedding-Nähe zu deiner Zielgruppe. 7. Grox-/VF-Eligibility (grox/plan_master.py + home-mixer/filters/vf_filter.rs) — stiller Ausschluss, keine Herabstufung. ### Empfehlungen für Personen/Gründer (Teil 2.A) — Zusammenfassung
37. Säule 1. IRL-Beziehungen in Follows umwandeln (DMs, Podcast-Cross-Promotion, Newsletter-Footer, Antworten) = OON umgehen → deterministischer Thunder-Lookup.
38. Säule 2. eine Zielaktion pro Post benennen (reply, follow, dwell, share). „Wenn du nicht benennen kannst, auf welche Aktion du abzielst, wird der Post bei keiner davon gut abschneiden.“
39. Säule 3. persönliche High-Weight-Aktionen auslösen:
40. Reply: Fragen mit einer vertretbaren Antwort (nicht „was denkst du?“).
41. Dwell Time: Threads und Long-Form-Content (kontinuierliches Dwell-Signal, Index 18).
42. Profile Click: ein Fremder möchte wissen, wer du bist (Bio-relevante Signale).
43. Follow-Author: „hier ist meine These, und ich werde sie über viele künftige Posts hinweg verteidigen“.
44. Säule 4. den besten Post zuerst veröffentlichen (der erste behält den vollen Score, der zweite wird abgeschwächt). Nicht stapeln, zeitlich strecken.
45. Säule 5. Mutes/Blocks durch wohlgesonnene Follower vermeiden (ein kumulativer Negativeffekt auf alle künftigen Posts für diesen Nutzer).
46. Säule 6. multimodal (Text + Bild + Video) = 3 Embedding-Versuche.
47. Säule 7. zu viele @-Erwähnungen / Link-Spam-Muster → stiller Ausschluss durch den Spam-Klassifikator. ### Empfehlungen für Marken/Unternehmen (Teil 2.B) — Zusammenfassung
48. Säule 1. Mitarbeiter-Amplifikation = Vereinigung des In-Network jedes einzelnen Mitarbeiters über Thunder.
49. Säule 2. Aktionsverteilung pro Post im Verhältnis zu den Gesamtimpressionen auswerten.
50. Säule 3. markenrelevante Aktionen:
51. Click (Index 4) + Quoted Click (Index 12) = Website-Traffic.
52. VQV. (Index 6) = Videos, die MIN_VIDEO_DURATION_MS überschreiten. „Ein zu kurz geschnittenes Video eliminiert den Beitrag vollständig.“
53. Share via DM. (Index 8) + Share via Copy-Link (Index 9) = Preisanalysen, Produktvergleiche, privat weitergeleitete Kontroversen.
54. Follow-Author (Index 13) = ein Follow-Magnet-Post pro Woche.
55. Säule 4. « Ein ‚Trommelfeuer‘ aus vier Posts im Abstand von 30 Minuten schneidet schlechter ab als der beste von ihnen allein ». Die Koordination von Marke + CEO + Mitarbeitern (unterschiedliche Autoren) schlägt die Marke, die zweimal allein postet.
56. Säule 5. das Modul home-mixer/ads/, hinzugefügt am 15. Mai 2026 = Brand-Safety-Tracking. Organische Posts in der Nähe sensiblen Contents → Adjazenzrisiko.
57. Säule 6. thematische Konsistenz über Wochen hinweg (Embedding verwässert bei zu vielen Themen), multimodale Posts, Videos für den ASR-Pfad mit Untertiteln versehen.
58. Säule 7. task_spam_detection.py reagiert auf Reply-Muster mit wenigen Followern / geringer Qualität → Marken, die stark auf große Posts antworten, können markiert werden. Substanziell antworten oder gar nicht. ### Verallgemeinertes Framework (Teil 2.C)
59. Drei Reichweiten-Schichten. 1. Eligibility (Grox + Filter) — binär, drin/draußen, keine Optimierung außer dem Vermeiden des Ausschlusses. 2. Retrieval (Two-Tower-OON) — probabilistisch, optimiert durch was du postest (Thema, Embedding, multimodal). 3. Ranking (gewichtete Summe + Multiplikatoren) — kontinuierlich, optimiert durch wie du postest (ausgelöste Aktion, Kadenz).
60. Aktionsoberfläche als Produktfrage. 19 Aktionen = 4 Kategorien (sozial: like/reply/quote/share; privat: DM-Share, Copy-Link, Dwell, Photo Expand; Identität: Follow, Profile Click; Ablehnung: Not-Interested/Block/Mute/Report). Ein Post, der auf keine Beziehung abzielt = durchgehend ~0 vorhergesagt.
61. Transformer als Fairness-Mechanismus. Wahrscheinlichkeiten pro Nutzer → „guter Content“ ist keine globale Eigenschaft. Probabilistisches Targeting, keine deterministische Qualität.
62. Author-Diversity-Decay als strukturelles Feature. « mehr Posts pro Tag jenseits eines Schwellenwerts zu veröffentlichen verringert die Gesamtreichweite, statt sie zu erhöhen ». Die optimale Kadenz ist nicht-monoton in Bezug auf die Postanzahl.
63. Negative Signale als Einmal-Vetos. ein Mute kostet den Post UND jeden nachfolgenden für diesen Nutzer (ein dauerhafter Eintrag in dessen Aktionssequenz).
64. Ausschluss zum Eligibility-Zeitpunkt = stiller Killer. kein Signal an den Ersteller, wenn ein Grox-Klassifikator ausschließt. Diagnose = vergleichende Reichweitenanalyse.
65. Zwei Gesetze.
66. Gesetz 1. In-Network ist multiplikativ, OON ist additiv. Follower wirken sich auf jeden künftigen Post kumulativ aus.
67. Gesetz 2. Die Aufgabe des Modells ist es, dich vorherzusagen, nicht dich zu belohnen. Engagement-Baiting / künstlich erzeugte Kontroversen → verschlechtern deine Vorhersagbarkeit → stufen künftige Posts herab. ### Beratungs-Deliverable (Teil 2.D) — Kernpunkte
68. Executive Summary. , einsatzbereit für das Deckblatt.
69. Evidenztabelle. 14 Hauptaussagen, jeweils mit file:line.
70. 7 empfohlene Maßnahmen, geordnet nach erwarteter Wirkung. (alle richtungsweisend): 1. Aktionsorientiertes Content-Design (target_action im Redaktionskalender annotiert). 2. Author-Distribution-Playbook (Kadenz vs. Decay auditieren, Multi-Account-Amplifikation). 3. Videospezifikation (MIN_VIDEO_DURATION_MS als clientseitiger A/B-Test, Untertitel). 4. Konsistenz der Themen-Embeddings (70/30 Kern-/Explorativ-Anteil). 5. Audit der Eligibility-Gates (Stichprobe unterperformender Posts → Gate-Typen prüfen). 6. Hygiene negativer Signale (kumulative Kosten der Mute-Rate quantifizieren). 7. Neuausrichtung der Follower-Akquise (OON-zu-Thunder-Konversion = multiplikative künftige Reichweite).
71. Kadenz. M1 Kalender+Playbook+Video / M2 thematisches Audit + Follower-Test / M3 Kohortenmessung + Gate-Neukalibrierung / vierteljährlich: xai-org/x-algorithm erneut lesen.
72. Einschränkungen und ehrliche Offenlegungen (verpflichtend). Gewichte nicht ableitbar, Mini-Checkpoint (2 Layer, 4 Heads, 256-dim), Thrift-Stubs (panic!("Not implemented")), Brand-Safety-Listen / Topic-ID-Zuordnungen / Sprachabschläge / Ad-Blending-Regeln fehlen. « Der Kunde sollte diesen Bericht als strukturelles Modell behandeln, nicht als quantitativen Prädiktor. » ### Ehrlichkeitsgrenze (Anhang A.3) — was wir NICHT wissen können
73. Numerische Gewichtswerte. (allesamt extern, keine params.rs).
74. Verhalten des Produktionsmodells. veröffentlichter Checkpoint = 2 Layer, 4 Heads, 256-dim, 537K-Post-Sportkorpus, das Produktions-Phoenix ist größer und wird kontinuierlich trainiert.
75. Stub-Integrationen. panic!("Not implemented: to_thrift for ...") in candidate_features.rs und user_features.rs. Der öffentliche Code läuft nicht End-to-End gegen die internen Dienste von X.
76. Policy-Daten. Brand-Safety-Markenlisten, Topic-ID-Zuordnungen, Sprachabschlags-Tabellen, Ad-Blending-Regeln, Muted-Keyword-Korpora, Gewichte der Spam-/Safety-/PTOS-Klassifikatoren = fehlen.
77. Kontinuierliche Retraining-Kadenz. OSS = statischer Snapshot, Produktion = kontinuierlich aktualisiert. ### Verweise auf bestehende Fiches
78. Konvergenz mit [[wallace-wells-nyt-magazine-ai-populism-altman-backlash-no-one-ready-2026-05-08]]. der Bericht dokumentiert faktisch die strukturelle Mechanik eines Algorithmus, der politische Information in großem Maßstab prägt, während Wallace-Wells die populäre Rezeption / den Backlash gegen Tech-Oligarchen (einschließlich Musk) dokumentiert. Der Bericht zeigt, dass „wer wen erreicht“ heute von Transformern bestimmt wird, die auf persönlichen Aktionssequenzen trainiert sind — und dass stiller Ausschluss (zum Eligibility-Zeitpunkt, ohne Signal) eine bewusste Betriebsart ist.
79. Konvergenz mit [[ng-the-batch-352-no-ai-jobpocalypse-2026-05-08]]. dieselbe anti-narrative epistemische Haltung, Disziplin des „was aus den Fakten ableitbar ist vs. was erfunden ist“. Ng zerlegt die Jobpocalypse-Erzählung; dieser Bericht zerlegt Growth-Hack-Erzählungen, die auf erfundenen Gewichten beruhen.
80. Implizite Konvergenz mit [[mensch-mistral-commission-enquete-vulnerabilites-numeriques-souverainete-ia-2026-05-13]]. Mensch diskutiert die Abhängigkeit von ausländischen digitalen Diensten als Vasallisierungsrisiko. Die Veröffentlichung von xai-org/x-algorithm ist ein zweideutiger Präzedenzfall — eine teilweise Open-Source-Stellung eines Systems, das die öffentliche Konversation steuert, jedoch mit absichtlich fehlenden operativen Parametern (den Gewichten).
81. Anti-narrativer Growth-Hack. dieser Bericht ist die dokumentarische Antwort auf die Branche der „X-Algorithmus-Geheimnisse / 5 Taktiken, um den For-You-Feed auszutricksen“. Disziplin des file:line-Zitats gegenüber der Anekdote.
82. Anthropic-vs-X-Transparenzmuster. dieser Bericht kann als methodischer Vergleichspunkt dienen, um die relative Transparenz von Algorithmus-Veröffentlichungen großer Labore zu beurteilen (Anthropic Mythos, OpenAI Evals, xAI Grok-1, xai-org/x-algorithm). Form der Transparenz: genug Code, um die Architektur zu beschreiben, nicht genug Parameter, um das Verhalten zu reproduzieren.