Xが何とロジック公開してました。わかりやすくまとめてみました。

Xアルゴリズム：OK/NG早見表

✅ OK（アルゴリズムが高く評価）

カテゴリ	具体例
リプライ	他人の投稿への返信、対話、質問への回答
質問投稿	「あなたはどう思う？」「意見をください」
深い滞在	2分以上読ませるコンテンツ（長文、詳細分析）
動画・画像	ネイティブアップロード（直接投稿）の画像・動画
最初の2時間	投稿直後のレスポンス、対話、エンゲージメント
一貫した発信	同じテーマ・分野での継続的な投稿
プロフィール訪問	あなたの投稿でプロフィール見て、フォローされる
Premium（有料）	認証バッジでリーチ最大10倍

❌ NG（アルゴリズムが厳しく評価）

カテゴリ	具体例
報告される	1件の報告 = いいね738件で相殺が必要（最悪）
ブロック	1件のブロック = いいね148件で相殺が必要
ミュート	繰り返し見られて「ミュート」される
外部リンク	メイン投稿に外部サイトへのリンク貼る
連投	短時間に何件も投稿（Author Diversity Scorer減衰）
いいね乞食	「いいねしてください」「RTお願いします」
スパム行為	同じリンク・ハッシュタグを繰り返し投稿
既読投稿	既に見た投稿が何度も出現

🎯 最重要ポイント

優先度	内容
1位	リプライの往復 = いいね150倍の価値
2位	最初の2時間 = 速度が全て（10分で5エンゲージ > 24時間で5エンゲージ）
3位	質 > 量 = 1つの良い投稿 > 10個の普通の投稿
4位	ネガティブ回避 = 報告・ブロックされないことが最優先

📊 簡単な数式

いいね1件 = 基準値(1×)
リポスト = いいね2倍(2×)
リプライ = いいね27倍(13.5×)
リプライ往復 = いいね150倍(75×) ← これが最強

報告1件 = -いいね738倍(-100×) ← 最も危険

対話を増やす、速度を重視、質を上げる、報告を受けない。

この4つだけ気にすれば良いってことです！！！

以下、真面目な解説も

2026年1月20日、X（旧Twitter）はFor Youフィードを駆動する推薦アルゴリズムを完全オープンソース化しました。これは単なる技術公開ではなく、SNSプラットフォームの透明性における歴史的転換点と言えます。本レポートでは、公開されたソースコードと技術ドキュメントを徹底分析し、アルゴリズムの仕組み、戦略的含意、そして実務への応用方法を解説します。

エグゼクティブサマリー

主要知見:

Xは従来の手動ルールベースシステムを完全廃止し、xAI開発のGrokモデルと同じTransformerアーキテクチャに移行
アルゴリズムは19種類のユーザーアクションを予測し、重み付けスコアで投稿をランク付け
リプライの往復は「いいね」の150倍の価値を持ち、対話が最重要指標
ネガティブシグナル（ブロック・報告）は壊滅的な影響を与え、1件の報告はいいね738件で相殺が必要
Premium（認証バッジ）アカウントはベーススコアで優遇され、最大10倍のリーチを獲得

1. アルゴリズムの技術アーキテクチャ

1.1 根本的な設計思想の転換

2026年版アルゴリズムの最大の特徴は、手動特徴量エンジニアリングの完全排除です。従来の「ハッシュタグがあれば+◯点」といった人間による調整ルールは存在せず、Grok基盤のTransformerモデルがユーザーの過去128件のエンゲージメント履歴から次に見るべき投稿を自動的に導き出します。

2023年版との比較:

要素	2023年版	2026年版
コアモデル	4,800万パラメータのニューラルネット	Grok基盤Transformer
特徴量設計	手動で作成	ゼロ（100%学習）
エンゲージメント予測	単一の関連性スコア	19種類の同時アクション予測
更新頻度	不定期（実際は更新なし）	4週間ごと

1.2 三層システムアーキテクチャ

Xの推薦システムは役割の異なる3つのコンポーネントで構成されています:

① home-mixer (Rust製)

全体のオーケストレーション担当
gRPCサーバーとして動作
データ調達、フィルタリング、スコアリングのパイプラインを統括

② Thunder（In-Network処理）

フォロー中アカウントの最新投稿を高速キャッシュから取得
Real Graphモデルでユーザー間の「仲良し度」を数値化
馴染みのあるフィードをスナップに保ち、信頼性を確保

③ Phoenix (Python/JAX製)

フォロー外（Out-of-Network）投稿の発見とランキング
Grok基盤Transformerで19指標による予測実行
Two-Towerアーキテクチャで大規模候補検索を効率化

技術構成は**Rust (62.9%)とPython (37.1%)**で実装され、GitHubリポジトリ「xai-org/x-algorithm」でApache 2.0ライセンスのもと公開されています。

2. アルゴリズムの4段階処理フロー

2.1 ステージ1: 候補収集（Candidate Sourcing）

アルゴリズムはまず、1日約5億件投稿される膨大なコンテンツから、各ユーザーに関連する約1,500件の候補に絞り込みます。

In-Network（フォロー中：約50%）:

Thunderシステムが高速キャッシュから最新投稿を取得
Real Graphスコアで優先順位決定
- Real Graph: ユーザー間のエンゲージメント可能性を予測するモデル baigie
- あなたと投稿者のReal Graphスコアが高いほど、その人の投稿が多く含まれる

Out-of-Network（フォロー外：約50%）:

Phoenixシステムが3つの技術で候補を探索:

Two-Towerアーキテクチャ
- ユーザー特性と候補投稿を別々の神経ネットワークでエンコード
- 埋め込みベクトル間の類似度計算で関連コンテンツを特定
- 事前計算により低レイテンシ検索を実現
SimClusters（コミュニティ分類）
- 全ユーザーを145,000の興味関心コミュニティに自動分類
- 影響力のあるユーザーを中心にクラスター形成
- 3週間ごとに更新され、トレンドに追従
- あなたと同じコミュニティで人気の投稿を推薦
GraphJet（リアルタイムグラフ）
- 「誰が何にいいねしたか」の巨大なグラフをリアルタイムで構築
- エンゲージメントの波及を追跡

2.2 ステージ2: AIランキング（Phoenix Scoring）

フィルタリングされた候補は、Grok基盤のTransformerモデルによって19種類のユーザーアクション確率を予測されます。

予測される19のアクション:

ポジティブシグナル（12種類）:

favorite_score（いいね）
reply_score（リプライ）
repost_score（リポスト/リツイート）
quote_score（引用リポスト）
profile_click_score（プロフィールクリック）
photo_expand_score（画像展開）
video_quality_view_score（ビデオ視聴品質）
share_via_dm_score（DMでシェア）
share_via_copy_link_score（リンクコピー）
follow_author_score（投稿者をフォロー）
dwell_time_score（滞在時間）
その他クリック系アクション

ネガティブシグナル（4種類）:

not_interested_score（「興味なし」クリック）
block_score（ブロック）
mute_score（ミュート）
report_score（報告）

スコアリングの数式:

最終スコア = Σ (重み_i × 確率_i)

各アクションの予測確率に重み値を掛けて合計します。例えば、モデルがあなたが60%の確率でいいねし、5%の確率でブロックすると予測した場合、これらの確率に各重み値を掛けて最終スコアを算出します。

2.3 重み値の推定：何が本当に重要なのか

正確な重み値は非公開ですが、複数の分析から相対的な重要度が明らかになっています:

ポジティブアクションの相対重み:

アクション	推定重み	いいね換算
リプライ往復（投稿者が返信）	75×	150倍
リプライ	13.5×	27倍
プロフィールクリック+エンゲージ	12×	24倍
2分以上の滞在	10×	20倍
ブックマーク	1.5×	3倍
リポスト	1×	2倍
いいね	0.5×	1倍（基準）

ネガティブアクションの重み:

アクション	推定重み	相殺に必要ないいね数
報告（report）	-100×	738件
ブロック（block）	-50×	148件
ミュート（mute）	-30×	89件
興味なし	-20×	59件

戦略的含意:

対話が王様: 1件のリプライ往復は、いいね150件分の価値
ネガティブは壊滅的: 1件の報告を受けると、いいね738件で相殺が必要
受動的エンゲージメントは弱い: いいねはリプライの1/27の価値しかない

2.4 技術的革新：候補の独立性

Phoenixの特筆すべき設計はアテンションマスクによる候補の独立性です。通常、複数の投稿を並べて評価すると隣接投稿の影響を受けてスコアが変動しますが、Xは「投稿Aのスコアは同時評価される投稿Bの内容に依存しない」設計を採用しました。これにより:

一貫したスコアリングが可能
高速なキャッシングが実現
デバッグが容易に

また、モデルは過去32〜128件のユーザー行動履歴を参照し、一度に8件の候補を評価します。

2.5 ステージ3: 多層フィルタリング

スコアリング前後で複数のフィルタが適用されます。

プレスコアリングフィルタ:

重複投稿の排除
古すぎる投稿（Snowflake IDから年齢算出）
自分の投稿
ブロック/ミュートしたアカウント
ミュートキーワード含有投稿
Bloomフィルターによる既読判定
- 確率的データ構造で「既に見た投稿」を高速排除
- 偽陽性率1%で効率的判定
- 配信済み投稿も同様に排除

ポストスコアリング調整:

Author Diversity Scorer（著者多様性スコアラー）
- 同一投稿者の連続出現でスコアを指数関数的に減衰
- フィードの多様性を確保
- 連投による自己スパム防止
OON Scorer（Out-of-Network調整）
- フォロー外コンテンツのスコア微調整
- In-NetworkとOut-of-Networkのバランス維持
Visibility Filter（可視性フィルタ）
- スパム・暴力的コンテンツの最終チェック
- ポリシー違反の検出
- ユーザー通知なしにリーチを制限（シャドウバン）
会話重複整理
- 同一スレッドから最高スコアの1件のみ選択

2.6 ステージ4: 最終配信

上位K件が選択されフィードに配信されます。システムの処理性能は驚異的です:

実行回数: 1日約50億回
処理時間: 平均1.5秒以内
CPU時間: 220秒分の処理を1.5秒に圧縮（150倍の並列化）

3. 投稿最適化の実践戦略

アルゴリズムの仕組みを理解した上で、実務に活かせる7つの戦略を提示します。

3.1 対話の創出：最優先戦略

アルゴリズムの視点: リプライ往復は最高スコア（75×）

実践手法:

オープンエンドの質問を投げかける
- 「あなたの意見は？」「どう思う？」
- 論争を呼ぶ主張（ただし炎上リスクに注意）
- 未完成の思考を共有し、完成をコミュニティに委ねる
すべてのリプライに返信する
- 投稿後の最初の1〜2時間が決定的
- 「ありがとう」の一言でも75×の重み値を獲得
- 会議中などで返信できない時間帯への投稿は避ける
会話を深める
- フォローアップ質問をする
- 反対意見にも建設的に応答
- アルゴリズムは賛成/反対の区別ができず、すべてのリプライが同等に評価される

3.2 滞在時間の確保

アルゴリズムの視点: 2分以上の滞在は10×の重み

実践手法:

一瞥で理解できるコンテンツは失格
- 詳細な分析、ストーリーテリング
- データの深堀り、実例の提示
スレッド形式の活用
- 複数ツイートで段階的に展開
- 「続きを読む」を誘発
視覚的複雑性
- 詳細な図表、インフォグラフィック
- 読み応えのある画像テキスト

3.3 質より量：Author Diversity Scorerへの対応

アルゴリズムの視点: 連続投稿でスコアが指数関数的に減衰

実践手法:

投稿頻度の最適化
- 1日10件の急ぎ投稿 < 1件の熟慮された投稿
- 質の高いコンテンツを厳選
投稿間隔の確保
- 短時間に複数投稿しない
- 十分な時間を空けて多様性ペナルティ回避

3.4 マルチメディアの戦略的活用

アルゴリズムの視点: 動画、画像は優先表示
実践手法:

動画コンテンツ
- 10秒以上の視聴で大幅ブースト
- ネイティブアップロード（直接投稿）が優遇
- 2分20秒以下が推奨
画像の活用
- 単なる装飾でなく、情報価値のあるビジュアル
- インフォグラフィック、データ可視化
ポール（投票）
- ワンクリックで反応可能
- エンゲージメント創出の簡易手段

3.5 外部リンク戦略

アルゴリズムの視点: 外部リンクはペナルティ対象

実践手法:

メイン投稿には本文のみ
外部リンクは最初のリプライ（自己返信）に配置
ユーザーをプラットフォーム内に留める設計

3.6 投稿タイミングの科学

アルゴリズムの視点: 最初の2時間のエンゲージメント速度が決定的

処理プロセス:

時間	アルゴリズムの動作
0-15分	フォロワーの10-20%に配信エンゲージメント率を測定 100-5,000インプレッション
15-60分	高エンゲージ（>3%）: フォロワーの50-80%に拡大、インプレッション5-10倍低エンゲージ（<1%）: 配信停止、時系列フィードのみ
1-2時間	パフォーマンス継続なら「For You」で拡散無関係ユーザーにもリーチバイラル可能性開放、インプレッション100-1000倍

戦略:

オーディエンスが最もアクティブな時間を分析
投稿後1-2時間は必ずオンラインで応答可能に
速度が全て：最初の10分で5エンゲージメント > 24時間で5エンゲージメント

3.7 SimClustersの確立：コミュニティ属性の最適化

アルゴリズムの視点: 145,000コミュニティへの明確な分類が重要

実践手法:

発信軸の一貫性
- 特定トピックへの専門化
- ブレない発信テーマ
ターゲットコミュニティの特定
- 設定 > 興味関心でカテゴリを確認・調整
- 関連ハッシュタグ、トピックへの参加
コミュニティ内エンゲージメント
- 同じコミュニティの影響力あるアカウントとの交流
- コミュニティ特有の語彙、文脈の活用

4. ネガティブシグナルの回避：評判管理

4.1 壊滅的な影響

ネガティブシグナルはポジティブシグナルの50〜200倍の負の重みを持ちます:

1件のブロック = -50× → いいね148件で相殺
1件の報告 = -100× → いいね738件で相殺

さらに、これらはアカウントの評判スコアに蓄積し、将来の全投稿の配信に影響します。

4.2 予防戦略

ハラスメント・スパム行為の厳禁
- アグレッシブな@メンション避ける
- 同じリンク・ハッシュタグの繰り返し投稿禁止
ポリシー違反ゼロ
- 利用規約の厳守
- グレーゾーンも避ける
オンブランド維持
- 確立したテーマから逸脱しない
- フォロワーが期待する価値を継続提供
エンゲージメントベイトの回避
- 「いいねしてください」「RTお願いします」は逆効果
- 自然な会話誘発が原則

4.3 アカウントリセット方法

フィードが望まない方向に傾いた場合の修正手法:

能動的なシグナル調整
- 「興味なし」を早期・頻繁にタップ
- キーワードミュートの積極活用
- 繰り返し表示されるアカウントのミュート/ブロック
受動的な行動変更
- ドゥームスクロール停止（長時間滞在も学習シグナル）
- Following（フォロー中）タブでポジティブシグナル再構築
最終手段
- 数日間の完全活動停止でモデレーションシステムリセット

5. Premium（認証バッジ）の戦略的価値

5.1 アルゴリズム上の優遇

2023年版と2026年版で認証バッジの扱いが劇的に変化しました:

側面	2023年版	2026年版
位置づけ	複数変数の1つ	ベーススコアに直接影響
影響度	限定的	大幅な優遇
リーチ差	約2-3倍	最大10倍

優遇内容:

リプライの優先表示（階層により差異）
For You推薦での優先順位
より広いオーディエンスへの配信

5.2 Premium階層の比較

X Premium Basic (~$3/月):

エントリーレベルの認証
一部広告削減

X Premium ($8/月個人、$200/月ビジネス):

青い認証バッジ（個人）、金色バッジ（ビジネス）
広告大幅削減
クリエイター収益分配プログラム参加資格
IDバックエンド検証

X Premium+ (~$16/月):

完全広告フリー体験
最大のリプライ優先順位
高度な検索機能（Radar Search）
拡張Grok AIアクセス

5.3 投資対効果の判断

Premium導入を推奨する場合:

Xがマーケティング戦略の中核
競合が激しくリーチ確保が困難
クリエイター収益化を目指す
ブランド信頼性の向上が必要（特にビジネスアカウント）

注意点:

認証バッジ取得だけでは不十分
質の高いコンテンツと戦略的エンゲージメントが前提
短期的な効果は限定的、中長期的な投資

6. 透明性の限界と批判的評価

6.1 公開されていない重要要素

Xのオープンソース化は画期的ですが、以下の決定的要素は依然ブラックボックスです:

重み値の正確な数値: 19アクションの実際の重み定数
Grok Transformerモデルの詳細: アーキテクチャ、パラメータ、学習データ
ユーザーEmbedding生成: ユーザーをどう数値化しているか
外部参照データ: エンゲージメント履歴、ユーザープロフィールの処理方法

6.2 評価の分裂

肯定的視点:

他のSNS（Meta、TikTok等）では前例のない透明性
コミュニティ主導の改善可能性
アルゴリズムバイアスの検証機会

批判的視点:

最も重要な重み値とモデルが非公開
「アルゴリズム公開」は看板倒れ
検証不可能な要素が多すぎる
過去の更新約束（2023年）も未履行

6.3 継続的監視の必要性

マスク氏は4週間ごとの定期更新と開発者ノート公開を約束しています。しかし2023年の前例から、この約束が守られるかは不透明です。ユーザーと研究者は:

GitHubリポジトリの更新を継続監視
実際の配信動作との整合性検証
コミュニティでの知見共有

が求められます。

7. 結論と展望

7.1 核心的洞察

2026年版XアルゴリズムはAI主導の純粋な予測システムへの転換を象徴しています。手動調整を排除し、Transformerモデルがユーザーの行動パターンから最適な投稿を導出する設計は、推薦システムの未来を示唆します。

戦略の優先順位:

対話創出 > 受動的エンゲージメント（リプライ往復 = いいね150倍）
最初の2時間 > 長期的蓄積（速度が全て）
質 > 量（Author Diversity Scorerによるペナルティ）
ネガティブ回避 > ポジティブ追求（1報告 = いいね738件）

7.2 今後の展望

アルゴリズムの進化予測:

Grokモデルの継続的高度化
マルチモーダル理解の強化（画像・動画内容の深い解析）
よりパーソナライズされた予測（AGI方向への進化）
リアルタイム性の向上

プラットフォーム戦略への影響:

他SNSへの透明性圧力
クリエイターのアルゴリズム最適化スキル競争
Premium tier の更なる階層化・差別化

7.3 最終推奨事項

個人クリエイター向け:

対話を中心としたコンテンツ設計
投稿タイミングの厳密な最適化
SimClusters確立のための一貫した発信
ネガティブシグナルの徹底回避

企業・ブランド向け:

Premium Business アカウントへの投資検討
コミュニティ管理体制の強化（リプライ返信の即応性）
マルチメディアコンテンツ制作能力の構築
データ分析による継続的最適化

研究者・開発者向け:

GitHubリポジトリの継続監視
実測データによる重み値推定の精緻化
アルゴリズムバイアスの検証
競合プラットフォームとの比較研究

Xアルゴリズムのオープンソース化は、SNSの透明性における歴史的一歩です。しかし完全な透明性には程遠く、ユーザーはコードと実際の挙動の両方を監視し続ける必要があります。この動的な環境で成功するには、アルゴリズムの仕組みを深く理解し、継続的に戦略を適応させることが不可欠です。

参考文献: 本レポートは80以上の一次・二次資料を基に作成されました。主要な情報源にはGitHub公開コード、公式発表、技術分析記事、および複数の独立研究が含まれます。