X 推荐算法开源深度解析 2026：代码解读 + Shadowban 检测 + 6 大优化策略
Am 13. August 2026 hat X (ehemals Twitter) seine Open-Source-Codebasis erneut erheblich erweitert und die vollständige Logik des Shadowban-Mechanismus offengelegt. Dies ist die neueste große Aktualisierung nach der ersten Open-Source-Veröffentlichung im September 2025 und Musks Ankündigung im Januar 2026, den neuen Algorithmus zu öffnen.
Es gibt kaum tiefgehende Analysen auf Deutsch – dies ist Ihre ideale Gelegenheit, den Blauen Ozean des Traffics zu erschließen.
I. Nachrichten-Hintergrund: Rückblick auf die X-Open-Source-Timeline
1.1 Übersicht der wichtigsten Ereignisse
Die Open-Source-Geschichte von X reicht bis ins Jahr 2023 zurück, aber die eigentlichen Wendepunkte ereigneten sich 2025–2026:
| Zeitpunkt | Ereignis | Bedeutung |
|---|---|---|
| März 2023 | Twitter veröffentlicht erstmals den Empfehlungsalgorithmus als Open Source | Teil des Codes öffentlich, ohne Trainingsdaten und Sicherheits-Pipelines |
| September 2025 | xAI veröffentlicht die von Grok angetriebene Alternativversion | Einführung von Transformer-Modellen, die das alte 48-Millionen-Parameter-MaskNet ersetzen |
| Januar 2026 | Musk kündigt vollständige Open-Source-Stellung des neuen Algorithmus an | Verspricht alle 4 Wochen öffentliche Updates |
| 15. Mai 2026 | Größtes Code-Update | 187 geänderte Dateien, 18.000+ Zeilen neuen Codes |
| 13. August 2026 | Erneute Erweiterung + Shadowban-Transparenz-Tool | Code-Menge um das 10-15-fache vergrößert, erstmals Filterlogik offengelegt |
1.2 Kerninhalte des Updates vom 13. August
Laut TechCrunch-Bericht enthüllte X-Produktvizepräsident Keith Coleman:
„Sie werden den Kern-Ranking-Code erhalten – er ruft Beiträge für einen bestimmten Benutzer ab, rankt sie und baut den Feed zusammen. Sie können die Systeme sehen, die potenziell problematische Inhalte herausfiltern … einige dieser Systeme, wie den Ranker und das Scoring, können Sie sogar außerhalb des Unternehmens selbst ausführen.”
Die wichtigsten Änderungen dieses Updates:
- GitHub-Repository: github.com/xai-org/x-algorithm (Apache-v2-Lizenz)
- Code-Umfang: Um das 10-15-fache vergrößert
- Neue Inhalte: Modellkonfigurationen, Filter, Details zum Kern-Ranking-System, Signal-Gewichtungsparameter
- Transparenz-Tool: Benutzer können prüfen, ob ihr Konto vom Ranking-System betroffen ist
1.3 Warum diese Open-Source-Veröffentlichung anders ist
Die erste Open-Source-Veröffentlichung 2023 (twitter/the-algorithm) war ein „kuratiertes Teildump” – sie zeigte die Architektur, ließ aber Trainingsdaten, Modellgewichte, Sicherheits-Pipelines und etwa 80 % des Produktionscodes weg.
Die 2026-Version (xai-org/x-algorithm) ist strukturell völlig anders:
- Enthält die vollständige Phoenix-Scoring-Systemarchitektur
- Legt die von Grok angetriebene Content-Understanding-Pipeline offen
- Bietet lauffähige „Mini-Phoenix”-Checkpoints
- Legt erstmals Shadowban- und Filterlogik offen
X-Produktvizepräsident Coleman sagte: „Unser Traum ist es, dass jeder in der Öffentlichkeit in der Lage sein soll, zu bewerten, wie Beiträge auf der Plattform verteilt werden, zu überprüfen, dass dies ein fairer Wettbewerb ist, und falls nicht, ihn zu kritisieren, damit wir uns kontinuierlich verbessern.”
II. Algorithmus-Architektur-Analyse: Wie das For-You-Empfehlungssystem funktioniert
2.1 Gesamtarchitektur-Überblick
Das For-You-Empfehlungssystem von X ist eine mehrstufige Pipeline, die bei jeder Feed-Aktualisierung innerhalb von 1,5 Sekunden abgeschlossen wird. Sie reduziert täglich etwa 500 Millionen Beiträge auf etwa 1.500 Kandidaten pro Benutzer und rankt diese dann.
Vier Kernkomponenten:
┌─────────────────────────────────────────────────────────────┐
│ Home Mixer (Orchestrator) │
│ Verarbeitet Query-Hydration, koordiniert Kandidatenquellen, │
│ führt Beitragsauswahlregeln aus, baut den endgültigen Feed │
└─────────────────────────────────────────────────────────────┘
↓
┌─────────────────────────────────────────────────────────────┐
│ Thunder (In-Memory-Beitragsspeicher) │
│ Ermöglicht Sub-Millisekunden-Lookups, konsumiert Kafka- │
│ Echtzeit-Beitragsstrom │
└─────────────────────────────────────────────────────────────┘
↓
┌─────────────────────────────────────────────────────────────┐
│ Phoenix (Grok-angetriebener Ranker) │
│ Dual-Tower-Transformer-Modell, berechnet Punktprodukt- │
│ Ähnlichkeit zwischen Benutzer- und Beitrags-Embeddings │
└─────────────────────────────────────────────────────────────┘
↓
┌─────────────────────────────────────────────────────────────┐
│ Candidate Pipeline (Kandidaten-Pipeline) │
│ Zieht Beiträge aus sozialen Graphen, Interessenclustern, │
│ semantischer Ähnlichkeit und anderen Quellen │
└─────────────────────────────────────────────────────────────┘2.2 Kandidatengenerierung (Candidate Generation)
Die Kandidatengenerierungsphase zieht Beiträge aus mehreren Quellen:
- Sozialer Graph: Beiträge von Personen, denen Sie folgen
- SimClusters-Community-Erkennung: 145.000 überlappende Interessencluster
- Semantische Ähnlichkeit: Auf Content-Embeddings basierende Übereinstimmungen
- Themen-Interessencluster: Basierend auf Ihren bisherigen Interaktionen abgeleitet
Wichtige Einschränkungen:
- Autorenvielfalt-Obergrenze: In jedem Feed-Fenster erscheinen Beiträge desselben Autors maximal etwa 3-mal
- Out-of-Network-Content-Einschränkung: Etwa 50 % des For-You-Feeds stammt von Konten, denen Sie nicht folgen, aber diese Beiträge müssen eine „Zweitgrad-Verbindung” haben – jemand, dem Sie folgen, muss den Beitrag gelikt, kommentiert oder retweetet haben
2.3 Ranking-Modell (Ranking Model): Phoenix
Phoenix ist der Kern-Ranker von 2026 und ersetzt das alte MaskNet-Modell. Es ist ein auf Grok basierendes Transformer-Modell:
Architekturmerkmale:
- Dual-Tower-Modell: Erzeugt gleichzeitig Benutzer-Embeddings und Beitrags-Embeddings
- Punktprodukt-Ähnlichkeit: Berechnet die Ähnlichkeit zwischen beiden durch das Punktprodukt
- Wichtige Designentscheidung: Während des Ranking-Inferenz können Kandidaten-Beiträge nicht aufeinander achten (attend) – die Punktzahl jedes Beitrags wird vollständig basierend auf dem Benutzerkontext berechnet, nicht basierend auf anderen Beiträgen im Batch
Das bedeutet: Das Ranking eines Beitrags ändert sich nicht durch die gleichzeitig betrachteten anderen Beiträge – die Punktzahlen sind konsistent und cachbar.
Phoenix sagt 19 verschiedene Interaktionsverhalten vorher, jedes erhält eine Wahrscheinlichkeitspunktzahl. Diese Wahrscheinlichkeiten werden mit Gewichten multipliziert und summiert, um die endgültige Interaktionspunktzahl zu erhalten.
2.4 Endgültige Filterung (Final Filtering)
Nach dem Ranking gibt es eine Reihe von Vor-Ranking-Filtern. Beiträge müssen diese Filter passieren, bevor sie bewertet werden:
- Autorenvielfalt-Filter: Beiträge desselben Autors erscheinen in jedem Feed-Fenster maximal etwa 3-mal
- Negatives-Feedback-Filter: Wenn ein Benutzer in den letzten 30 Tagen ein Konto blockiert, stummgeschaltet oder „Weniger davon anzeigen” gewählt hat, werden alle Inhalte dieses Kontos herabgestuft
- Reine-Link-Beitrags-Filter: Beiträge, die hauptsächlich externe Links ohne Originaltext enthalten, werden gedrosselt
- Out-of-Network-Obergrenze: In jedem Feed-Fenster gibt es eine Obergrenze für die Anzahl der Beiträge von nicht gefolgten Konten
III. Kern-Ranking-Signale: Analyse basierend auf Open-Source-Code
3.1 Interaktionsgewichte: Antwort > Retweet > Like
Der Open-Source-Code enthüllt die genauen Gewichte verschiedener Interaktionstypen. Die folgenden Daten stammen aus den 2023 erstmals veröffentlichten Gewichten (Phoenix 2026 verwendet gelernte Gewichte statt manueller Anpassung, aber die Richtung ist konsistent):
| Interaktionstyp | Relatives Gewicht (verglichen mit Like) | Erklärung |
|---|---|---|
| Autorenantwort | ~150x | Sie antworten auf jemandes Antwort auf Ihren Beitrag – das stärkste Signal |
| Antwort | ~27x | Normale Antwort |
| Retweet | ~20x | Repost |
| Profilklick | ~12x | Klick auf das Profilbild des Autors |
| Linkklick | ~11x | Klick auf einen Link im Beitrag |
| Lesezeichen | ~10x | Beitrag speichern |
| Like | 1x | Baseline-Wert |
Wichtige Erkenntnis: Ein Beitrag mit 100 Likes hat eine niedrigere Algorithmus-Punktzahl als ein Beitrag mit 4 Antworten – wenn Sie auf alle 4 Antworten antworten und damit das +75 „Autorenantwort”-Signal 4-mal auslösen.
Die kontraintuitivste Entdeckung: Eine bidirektionale Antwortkette (Sie antworten auf jemandes Antwort auf Ihren Beitrag) ist im Algorithmus-Scoring-Modell etwa 150 Likes wert.
3.2 Netzwerkeffekte: Wie der soziale Graph Empfehlungen beeinflusst
TweepCred-Reputationssystem:
Der Code definiert ein Reputationssystem namens TweepCred – einen gewichteten PageRank-Score von 0 bis 100, der täglich aus dem Benutzerinteraktionsgraph neu berechnet wird.
Wichtige Schwelle: Konten mit einem TweepCred-Score unter 65 bekommen pro Zyklus nur 3 Tweets für die Verteilung in Betracht gezogen. Unter dieser Schwelle hört der Algorithmus praktisch auf, Ihre Beiträge an Personen zu zeigen, die Ihnen nicht folgen.
TweepCred wird beeinflusst durch:
- Kontoalter
- Follower/Following-Verhältnis
- Ob Interaktionen mit hoch-reputablen Konten stattfinden
- Gerätenutzungsmuster
- Gesamtqualität der Interaktionshistorie
SimClusters-Community-Erkennung:
Etwa 50 % des For-You-Feeds stammt von Konten, denen Sie nicht folgen. Der Algorithmus verwendet das SimClusters-System, um 145.000 überlappende Interessencluster zu identifizieren.
Aber bevor SimClusters läuft, gibt es einen Filter: Out-of-Network-Beiträge müssen eine Zweitgrad-Verbindung haben – jemand, dem Sie folgen, muss den Beitrag gelikt, kommentiert oder retweetet haben oder dem Autor folgen. Ohne diesen sozialen Beweis wird der Beitrag nicht für den Out-of-Network-Feed berücksichtigt.
3.3 Content-Qualitätssignale
Zeitlicher Zerfall:
Der Code zeigt, dass der zeitliche Zerfall sehr aggressiv ist:
- Beiträge verlieren etwa alle 6 Stunden die Hälfte ihrer Sichtbarkeitspunktzahl
- Nach 24 Stunden ist die algorithmische Förderung praktisch null
Aber in den ersten 30 Minuten ist die Dynamik völlig anders:
- Ein Beitrag, der in den ersten 15 Minuten 10 Antworten sammelt, löst eine „Viral-Verstärkungs-Kaskade” aus
- Der Algorithmus schließt auf hohe Interaktionsgeschwindigkeit und beginnt, den Beitrag an Out-of-Network-Benutzer zu verteilen
Verweilzeit (Dwell Time):
Threads erzeugen die höchste Verweilzeit aller Formate. Ein Leser, der 7 Tweets liest, löst mehrere Verweilzeitsignale über mehrere Content-Stücke aus. Die Thread-Abschlussrate wurde 2025 als Ranking-Signal hinzugefügt.
Content-Format-Gewichte:
| Format | Gewichtsmultiplikator | Erklärung |
|---|---|---|
| Thread | Höchste Verweilzeit | Threads mit 3-5 Tweets bekommen 40-60 % mehr Reichweite als Einzelbeiträge |
| Natives Video | Betrachtungszeit-Signal | Optimale Länge < 2:20, Hochformat 9:16 besser als Querformat |
| Bild | 2x | 2023-Code bestätigt, scheint in der 2026-Architektur bestehen zu bleiben |
| Reiner Text | Höchste Antwortrate | Höchste Antworten pro Impression |
| Externer Link | Negatives Signal | Median-Interaktion für Nicht-Premium-Konten mit Links sinkt auf null |
3.4 Die Rolle von Grok AI bei Content-Moderation und Empfehlung
Das Update vom 15. Mai 2026 führte Grox ein – die Content-Understanding-Pipeline:
- Spam-Erkennung: Klassifiziert Beiträge, bevor sie Phoenix erreichen
- Beitragskategorie-Klassifikation: Der Algorithmus klassifiziert jetzt Ihre Beitragsinhalte, nicht nur Interaktionsmuster
- Sicherheitsdurchsetzung: Einschließlich ASR (Spracherkennung)-Verarbeitung für Videoinhalte
- Sentiment-Scoring: Konstruktive, positive Botschaften erhalten weitere Verbreitung; negative, konfrontative Framings werden in der Verbreitung reduziert, auch wenn die Interaktion hoch ist
Wichtige Änderung: Grok kann jetzt jeden Beitrag „lesen” und jedes Video „ansehen” – über 100 Millionen Inhalte pro Tag – und ordnet Benutzer dem Content zu, der sie am wahrscheinlichsten interessiert.
3.5 Werbeposts vs. organische Posts: Mischstrategie
Obwohl der Open-Source-Code sich hauptsächlich auf organische Empfehlungen konzentriert, genießen X-Premium-Konten folgende Vorteile:
- Höhere Out-of-Network-Beitrags-Obergrenzen
- Premium-Antworten in Antwort-Threads werden an höhere Positionen befördert
- Weniger Einschränkungen für Link-Beiträge (Median-Interaktion für Nicht-Premium-Konten mit Links sinkt auf null)
IV. Shadowban-Mechanismus enthüllt
4.1 Was ist ein Shadowban (Schattenban)?
Ein Shadowban bedeutet, dass Ihre Beiträge in der Sichtbarkeit reduziert oder unauffindbar gemacht werden, ohne dass Sie explizit benachrichtigt werden. Sie können weiterhin posten, aber Ihre Inhalte erscheinen nicht in:
- Suchergebnissen
- Dem For-You-Feed
- Antwort-Threads
- Hashtag-Browse-Seiten
4.2 Shadowban-Logik im Open-Source-Code
Das Update vom 13. August hat erstmals die Filterlogik offengelegt. Laut Code-Analyse wird der Shadowban hauptsächlich durch folgende Mechanismen realisiert:
1. TweepCred-Schwellenwert-Filterung
# Pseudocode-Darstellung
if user.tweepcred < 65:
candidates_per_cycle = 3 # Nur 3 Beiträge werden in Betracht gezogen
else:
candidates_per_cycle = normal_limit2. Negatives-Feedback-Dämpfung
Wenn ein Konto in den letzten 30 Tagen viele Blockierungen, Stummschaltungen oder „Weniger davon anzeigen”-Aktionen erhalten hat, werden alle Inhalte dieses Kontos herabgestuft – nicht nur der Beitrag, der das negative Feedback ausgelöst hat.
3. Grox-Content-Klassifikation
Beiträge, die von Grox als Spam oder „außerhalb der Kategorie” markiert werden, werden herabgestuft, bevor sie Phoenix erreichen.
4. Link-Beitrags-Strafe
Das 2023-System wendete eine 20-30 %ige Reichweitenreduzierung an. Bis 2025 wuchs dies auf 30-50 %. Im März 2026 sank die Median-Interaktion für Nicht-Premium-Konten, die Links posten, auf null.
4.3 Wie Sie erkennen, ob Sie gedrosselt werden
Methode 1: Offizielles Transparenz-Tool (neu)
X hat im Update vom 13. August das „Under the Hood”-Transparenz-Tool eingeführt:
- Zu finden in den App-Einstellungen unter „Under the Hood”
- Benutzer, die im letzten Monat mehr als 10 Beiträge gepostet haben, können aggregierte Statistiken herunterladen (JSON-Datei)
- Die Datei zeigt, ob im letzten Monat Labels auf das Konto oder Beiträge angewendet wurden
Methode 2: Drittanbieter-Erkennungstools
Mehrere kostenlose Tools können den Shadowban-Status erkennen:
Methode 3: Manueller Inkognito-Suchtest
- Abmelden oder ein privates Browserfenster öffnen
- Suchen nach
from:@IhrBenutzername - Wenn Ihre Beiträge nicht erscheinen, werden Sie möglicherweise gedrosselt
4.4 Häufige Gründe für Drosselung
Basierend auf der Open-Source-Code-Analyse sind häufige Verhaltensweisen, die einen Shadowban auslösen:
-
Niedriger TweepCred-Score (< 65)
- Neue Konten, die zu vielen Personen folgen (z. B. 5.000 Follows)
- Ungleichgewichtiges Follower/Following-Verhältnis
- Interaktionen mit niedrig-reputablen Konten
-
Viel negatives Feedback
- Von vielen Personen blockiert oder stummgeschaltet
- Beiträge erhalten viele „Weniger davon anzeigen”-Aktionen
-
Reine Link-Beiträge posten
- Link-Beiträge ohne Originaltext werden als „Low-Effort-Verteilung” markiert
-
Verstoß gegen Content-Richtlinien
- Von Grox als Spam klassifiziert
- Negatives/konfrontatives Sentiment-Scoring
-
Übermäßiges Posten
- Mehr als 10 Beiträge pro Stunde, die meisten werden bereits bei der Kandidatengenerierung herausgefiltert
V. Praktische Optimierungsstrategien: 6 umsetzbare Empfehlungen
Strategie 1: Veröffentlichungszeit-Optimierung (basierend auf Algorithmus-Präferenzen)
Kernprinzip: Die ersten 30 Minuten entscheiden über alles.
Konkrete Maßnahmen:
- Posten Sie zu Zeiten, wenn Ihre aktivsten Follower online sind
- Stellen Sie sicher, dass Sie in den ersten 15 Minuten mindestens 10 Antworten bekommen
- Bleiben Sie 20-30 Minuten nach dem Posten online und antworten Sie aktiv auf Kommentare
Warum es funktioniert:
- Beiträge verlieren alle 6 Stunden die Hälfte ihrer Sichtbarkeit
- Hohe Interaktionsgeschwindigkeit in den ersten 15 Minuten löst eine „Viral-Verstärkungs-Kaskade” aus
- Der Algorithmus erkennt hohe Interaktionsgeschwindigkeit und beginnt mit der Verteilung an Out-of-Network-Benutzer
Strategie 2: Interaktions-Steuerungsstrategie (Antwort > Retweet > Like)
Kernprinzip: Optimieren Sie die Antwortgeschwindigkeit, nicht die Like-Anzahl.
Konkrete Maßnahmen:
- Veröffentlichen Sie Beiträge, die spezifische Reaktionen einladen: klare Meinungen, direkte Fragen, kontraintuitive Datenpunkte, konkrete Vorhersagen
- Antworten Sie innerhalb von 1 Stunde nach dem Posten auf jede einzelne Antwort – dies ist der höchstwirksamste Hebel, den Sie nach dem Posten haben
- Jede „Autorenantwort” ist im Scoring-Modell 150 Likes wert
Warum es funktioniert:
- Ein Beitrag mit 8 Antworten (innerhalb von 30 Minuten) übertrifft einen Beitrag mit 200 Likes (innerhalb von zwei Tagen)
- Eine bidirektionale Antwortkette (Sie antworten auf jemandes Antwort auf Ihren Beitrag) ist etwa 150 Likes wert
Strategie 3: Content-Format-Optimierung (Bild/Video/Umfrage-Gewichte)
Kernprinzip: Nutzen Sie Formatgewichte zur Maximierung der Signale.
Konkrete Maßnahmen:
- Threads: Threads mit 3-5 Tweets bekommen 40-60 % mehr Reichweite als Einzelbeiträge
- Natives Video: Optimale Länge < 2:20, Hochformat 9:16
- Bilder: 2x Gewichtsmultiplikator (2023-Code bestätigt)
- Reiner Text: Höchste Antwortrate – sorgfältig gestaltete Textbeiträge erzeugen mehr Konversation als die meisten Videoinhalte
- Externe Links vermeiden: Platzieren Sie Links in Antworten, nicht im Hauptbeitrag
Warum es funktioniert:
- Threads erzeugen die höchste Verweilzeit
- Native Videos erzeugen Betrachtungszeit-Signale
- Externe Links erzeugen negative Signale (Median-Interaktion für Nicht-Premium-Konten sinkt auf null)
Strategie 4: Hashtag-Strategie
Kernprinzip: Weniger ist mehr.
Konkrete Maßnahmen:
- Verwenden Sie 1-2 themenrelevante Hashtags
- Mehr als 2 Hashtags lösen den Grox-Spam-Klassifikator aus und reduzieren die Reichweite um etwa 40 %
Warum es funktioniert:
- Die Grox-Content-Understanding-Pipeline klassifiziert Beitragsinhalte
- Übermäßige Hashtags werden als Spam-Verhalten markiert
Strategie 5: Shadowban-auslösende Verhaltensweisen vermeiden
Kernprinzip: Halten Sie TweepCred > 65.
Konkrete Maßnahmen:
- Strategisches Folgen: Blähen Sie Ihre Following-Zahl nicht auf, lassen Sie das Follower/Following-Verhältnis natürlich wachsen
- Mit hoch-reputablen Konten interagieren: Erhöht Ihren TweepCred-Score
- Konsistenten Posting-Rhythmus beibehalten: TweepCred wird von der langfristigen Interaktionsqualität beeinflusst
- Massives negatives Feedback vermeiden: Ein oder zwei Beiträge mit viel negativem Feedback können Ihre Reichweite für Wochen versenken
- Link-Beiträge mit Originaltext: Schreiben Sie 100-200 Wörter Originalkommentar, sonst betrachtet der Algorithmus es als Link-Spam
Warum es funktioniert:
- Konten mit TweepCred < 65 bekommen pro Zyklus nur 3 Beiträge in Betracht gezogen
- Negatives Feedback beeinflusst alle zukünftigen Beiträge, nicht nur den auslösenden Beitrag
Strategie 6: Grok AI für Content-Erstellung nutzen
Kernprinzip: Bleiben Sie im Einklang mit dem Content-Understanding des Algorithmus.
Konkrete Maßnahmen:
- Themenkonsistenz beibehalten: Grox klassifiziert jeden Beitrag nach Kategorie, Themenabweichung lässt Sie Empfehlungen verlieren
- Grok zur Feed-Anpassung nutzen: Benutzer können jetzt Grok mit natürlicher Sprache anweisen, den For-You-Feed anzupassen (z. B. „Mehr Startup-Content, weniger Politik”)
- Content-Embeddings optimieren: Die erste Zeile kommt direkt zum Thema, verwenden Sie keine vagen Eröffnungen
- ✅ „B2B-SaaS-Preismodelle sind veraltet”
- ❌ „Heute habe ich etwas Interessantes gelernt”
Warum es funktioniert:
- Grox ordnet Beiträge basierend auf Content-Embeddings den Benutzerinteressen zu
- Wenn die erste Zeile vage ist, clustert das Embedding nicht stark zu einem bestimmten Interessenthema
- Themenkonsistenz verschafft Ihnen einen Vorteil im „signalbaren Feed”
VI. Open-Source-Code-Navigation
6.1 GitHub-Repository-Struktur
Hauptrepository: github.com/xai-org/x-algorithm
Hauptkomponenten:
- Home Mixer: Orchestriert die gesamte Pipeline
- Thunder: In-Memory-Beitragsspeicher, ermöglicht Sub-Millisekunden-Lookups
- Phoenix: Grok-angetriebener Ranker (Dual-Tower-Transformer)
- Candidate Pipeline: Komponierbares Framework, zieht Beiträge aus mehreren Quellen
- Grox: Content-Understanding-Pipeline (Spam-Erkennung, Kategorie-Klassifikation, Sicherheitsdurchsetzung)
- TweepCred: Reputation-Scoring-System
6.2 Wichtige Codedateien erklärt
Gewichtungsdateien:
scored-tweets.thrift: Enthält die veröffentlichten Interaktionsgewichte (2023-Version)- Phoenix verwendet gelernte Gewichte statt manueller Anpassung, aber die 2023-Gewichte werden weithin als richtungsweisend angesehen
Ranker:
- Der Phoenix-Ranker-Code zeigt die Dual-Tower-Architektur
- Wichtige Designentscheidung: Kandidaten-Beiträge können nicht aufeinander achten (attend), was Konsistenz der Punktzahlen gewährleistet
Filter:
- Autorenvielfalt-Obergrenze (~3 pro Fenster)
- Negatives-Feedback-Dämpfung (30-Tage-Fenster)
- Link-Beitrags-Drosselung
- Out-of-Network-Content-Obergrenze
6.3 Wie Sie die Algorithmus-Analyse selbst ausführen
X stellt „Mini-Phoenix”-Checkpoints bereit, die externen Forschern erlauben, das Phoenix-Scoring-System zu trainieren und auszuführen.
Schritte:
- Repository klonen:
git clone https://github.com/xai-org/x-algorithm.git - Abhängigkeiten installieren (siehe README)
- Mini-Phoenix-Checkpoint herunterladen
- Scoring-System ausführen (Hinweis: Sie erhalten nicht die exakte Punktzahl jedes Beitrags, können aber die Architektur ausführen)
Community-Abgeleitete Projekte:
- x-algo-tweet-scorer: Tweet-Scoring-Tool basierend auf Open-Source-Signalen
- x-score-extension: Chrome-Erweiterung, die Timeline-Tweets basierend auf Algorithmus-Gewichten analysiert
VII. Häufig gestellte Fragen (FAQ)
F1: Ist der X-Algorithmus vollständig Open Source?
A: Teilweise Open Source. Die 2026-Version enthält den Kern-Ranking-Code, die Phoenix-Scoring-Systemarchitektur, Filter und Signal-Gewichte. Nicht enthalten sind: der Echtzeit-Spam-Klassifikator, der mit Grok vorhersagt, ob Beiträge gegen Regeln verstoßen, das Werbetargeting-System und einige Sicherheitsklassifikatoren. Dies dient dem Schutz von X vor böswilligen Akteuren, die diese Informationen nutzen könnten, um Regeln zu umgehen.
F2: Sind Antworten wirklich 150-mal wichtiger als Likes?
A: Ja. Laut dem Open-Source-Code ist eine „Autorenantwort” (Sie antworten auf jemandes Antwort auf Ihren Beitrag) im Scoring-Modell etwa 150 Likes wert. Eine normale Antwort ist etwa 27 Likes wert, ein Retweet etwa 20 Likes. Das bedeutet, dass ein Beitrag mit 4 Antworten (auf die Sie alle antworten) eine höhere Algorithmus-Punktzahl hat als ein Beitrag mit 100 Likes.
F3: Wie erkenne ich, ob ich einen Shadowban habe?
A: Drei Methoden: 1) Das neue „Under the Hood”-Transparenz-Tool von X (eingeführt am 13. August); 2) Drittanbieter-Erkennungstools wie shadowban.yuzurisa.com; 3) Manueller Inkognito-Suchtest – abmelden und nach from:@IhrBenutzername suchen, wenn Beiträge nicht erscheinen, werden Sie möglicherweise gedrosselt.
F4: Werden externe Links wirklich bestraft?
A: Ja. Das 2023-System wendete eine 20-30 %ige Reichweitenreduzierung an, 2025 wuchs dies auf 30-50 %, im März 2026 sank die Median-Interaktion für Nicht-Premium-Konten, die Links posten, auf null. Lösung: Platzieren Sie Links in Antworten, nicht im Hauptbeitrag. Der Hauptbeitrag sollte nativen Content enthalten (Meinungen, Erkenntnisse, Threads), die Antwort enthält den Link.
F5: Lohnt sich ein X-Premium-Abo?
A: Aus Algorithmus-Sicht genießen Premium-Konten folgende Vorteile: höhere Out-of-Network-Beitrags-Obergrenzen, Antworten in Antwort-Threads werden an höhere Positionen befördert, weniger Einschränkungen für Link-Beiträge. Wenn Sie ernsthaft Einfluss auf X aufbauen wollen, bietet Premium einen erheblichen Algorithmus-Vorteil. Aber für normale Benutzer können auch kostenlose Konten durch Optimierung der Interaktionsstrategie gute Reichweite erzielen.
VIII. Zusammenfassung
Die Open-Source-Stellung des X-Empfehlungsalgorithmus hat uns ein beispielloses Fenster gegeben, um zu verstehen, wie Social-Media-Plattformen die Sichtbarkeit von Inhalten bestimmen. Kernerkenntnisse:
- Antworten sind das stärkste Signal: Optimieren Sie die Antwortgeschwindigkeit, nicht die Like-Anzahl
- Die ersten 30 Minuten entscheiden über alles: Bleiben Sie nach dem Posten online und interagieren Sie aktiv
- TweepCred ist entscheidend: Halten Sie den Score > 65, folgen Sie strategisch
- Externe Links werden bestraft: Platzieren Sie Links in Antworten
- Content-Format macht einen Unterschied: Thread > Video > Bild > Reiner Text > Link
- Konsistenz schlägt Frequenz: 3-5 hochwertige Beiträge pro Tag sind besser als 15 hastige Beiträge
Der Open-Source-Code macht eines klar: Einfluss auf X ist eine Funktion von Konsistenz, Timing-Präzision und Interaktionsqualität – diese Prinzipien wiederholt anwenden. Die Konten, die gewinnen, sind nicht die mit den klügsten Einzelbeiträgen, sondern die, die zum richtigen Zeitpunkt erscheinen, echte Gespräche beginnen und dann morgen wiederkommen.
Der Code ist öffentlich. Die Signale sind dokumentiert. Der Unterschied zwischen wachsenden und stagnierenden Konten liegt darin: Nutzen sie diese Informationen systematisch oder machen sie einfach weiter wie 2022?
Ich hoffe, dieser Blogbeitrag war hilfreich! Wenn Sie weitere Fragen zur X-Algorithmus-Optimierung haben, diskutieren Sie gerne in den Kommentaren.
Referenzen:
- X For You Feed Algorithm - GitHub
- TechCrunch: X open sources its ranking algorithm
- OpenTweet: X Algorithm Open Source Analysis
- Publora: X Algorithm Weights Revealed
- Sprout Social: How Twitter Algorithm Works 2026
