标签 Grok 下的文章

Adobe 系列应用原生支持 Windows on ARM

Adobe 近期为 Premiere Pro、After Effects、Audition 以及 Media Encoder 推出 26.0 版本更新，正式原生支持 Windows on ARM，可直接在搭载高通 Snapdragon X 系列 ARM 架构处理器的 Windows 设备上运行。相应软件要求用户系统至少为 Windows 11（Build 26100.2033），配备至少 16GB RAM 内存，并使用 Qualcomm Adreno GPU 驱动 31.0.121.1 及更新版本。Adobe 同时明确表示，旧版应用（25.x 及更早版本应用）并未为 Windows on ARM 设备设计或测试，无法保证正常运行。不过 ARM 原生版仍存在一定功能限制，例如 Premiere Pro 暂不支持 Loudness Radar、Wraptor DCP 导出、GoPro CineForm 的导入导出以及 P2 Movie 格式导出等；After Effects 缺少 Cinema 4D 渲染器，仅支持专为 Windows ARM 编译的第三方插件等。来源

因 Grok 传播色情伪造内容，X 平台受到欧盟调查

近几周以来，多国 X 平台用户举报 Grok 生成色情伪造内容并在平台传播。近期，英国通信管理局已正式针对 X 是否违反英国《在线安全法案》展开调查，而后法国以及印度也相继表态，对 X 发出正式指控。随着全球性声讨持续升级，欧盟正式发出调查指令，本次调查覆盖全部 27 个欧盟成员国，重点核查 X 是否依《数字服务法案》充分评估并缓解相关风险。该法案针对相关网络有害及非法内容划定了严格监管红线，而网络平台未能妥善处理非法内容与虚假信息，或违反相关规定，欧盟方面最高可对其处以全球年营业额 6% 的罚款。来源

国家新闻出版署公布 2026 年 1 月游戏审批信息

1 月 26 日，国家新闻出版署正式公布了《2026 年 1 月份国产网络游戏审批信息》以及《2026 年进口网络游戏审批信息》。其中，国产游戏共计 177 款，包含《斗罗大陆：启程》《我叫 MT5》等；进口游戏共计 5 款，包含《彩虹六号：攻势》《愤怒的小鸟：经典归来》《秘境夺金》等。来源1、来源2

国家邮政局部署 2026 年春运期间寄递服务保障工作

国家邮政局近日印发《2026 年春运期间寄递服务保障工作方案》（以下简称《工作方案》），强调要统筹满足人民群众寄递需求和保障快递员合法权益，扎实做好 2026 年春运期间寄递服务保障工作。邮政企业、快递企业要聚焦节前人民群众购置年货需求，及时揽收并按约定提供寄递服务。中国邮政集团有限公司要确保邮政普遍服务持续提供。各快递企业要科学预测业务量变化，合理制订春节假期运营计划，提前向社会公示/公布服务时间、服务地域并严格按照公示/公布信息提供服务，满足春节假期基本寄递服务需求。

同时多家快递也公布了 2026 年春节期间服务公告，其中顺丰速运、京东物流、德邦等企业公告显示，将保障春节寄递服务需求，并加收高峰期资源调节费，以应对资源调配需求。来源

Apple 发布新款 AirTag 等新品

1 月 26 日，Apple 推出新款 AirTag，售价保持不变，仍为单件装 249 元，四件装 849 元。新款 AirTag 配备了与 iPhone 17 等机型相同的第二代超宽带技术芯片，更易被定位，查找范围相比前代扩大最高 50%。升级的蓝牙芯片也让用户首次可以通过 Apple Watch Series 9 或后续表款、Apple Watch Ultra 2 或后续表款使用精确查找功能寻找 AirTag。内置扬声器音量也比前代提升 50%。新款 AirTag 无缝集成共享物品位置功能，可以暂时将遗落物品的位置信息安全共享给受信赖的第三方，Apple 与超过 50 家航司直接合作，通过共享物品位置功能，用户可以将遗落物品的位置信息共享给合作航空公司的顾客服务团队，以便其协助找回延误的行李等遗失物品。来源

1 月 26 日，Apple 发布新款 Apple Watch Unity Connection 编织单圈表带，以纪念黑人历史月并赞颂联结的力量。该表带将于本周晚些时候在 Apple Store 零售店有售，售价 779 元。来源

HMD 发布 HMD Watch X1 与 P1 等多款新品

HMD 发布了 Watch X1 与 P1 两款新品智能手表。Watch X1 采用 1.43 英寸 AMOLED 显示屏，峰值亮度 600 尼特，分辨率 466*466，支持 AOD 功能与 IP68 防尘抗水，AOD 开启续航可达 5 天。Watch P1 采用 1.83 英寸 LCD 屏幕，峰值亮度 550 尼特，分辨率 240*284，防尘抗水等级 IP67，续航达 4 天。两者基于自有的 RTOS，可通过 HMD Watch 应用控制。HMD 另外还发布了 HMD Dub X50 Pro、Dub X50、Dub S60、Dub P70、Dub P60、Dub P50 六款 TWS 耳机。来源

HMD Watch X1

微软发布 Maia 200 AI 加速器芯片

1 月 26 日，微软公布了 Maia 200 芯片。Maia 200 基于台积电三纳米制程，带有原生 FP8/FP4 张量核心，7 TB/s 带宽的 216GB HBM3e 内存系统，与 272MB 片上 SRAM。微软称 Maia 200 是突破性的推理加速器，比上代 Maia 100 快 30%。目前该芯片已部署于微软的美中数据中心与美西 3 号数据中心。来源

Nintendo 发布「闲聊花花」

上周，Nintendo 在官网以及 Youtube 中公布其新款周边闲聊花花（Talking Flower），这款周边的外形采至超级马里奥中的经典 NPC。「闲聊花花」体积小巧，适合作为家中或是桌面的摆件使用。当用户在没有操作它时，它偶尔会「自言自语」，大概每小时两次。用户也可以点击花前的按钮和它进行互动，每次按下都会收获不同的惊喜。「闲聊花花」目前已知支持中文、英文、日文、韩文等 10 国语言，并支持切换。该周边预计在今年的 3 月 12 日正式发售，售价 4,500 日元。来源

看看就行的小道消息

  • 昨日，贾跃亭发布微博，宣称 FF EAI 机器人目前正式完成首款产品美国法规的相关认证工作，即将正式启动销售。此外，其它首批产品的法规认证也在快速推进中，有望很快完成并实现「发布即销售，销售即交付」策略，目标发布当月开始交付。来源
  • 近日，腾讯召开 2025 年度员工大会。大会中马化腾表示，针对微信生态 AI 智能化的问题，腾讯也在进行慎重评估，因为 AI 全家桶未必是大家都喜欢的，未来将继续坚持去中心化，以兼顾用户需求和隐私安全的方式来思考规划微信的智能生态。来源
  • 据外媒爆料，Google 将基于 Material 3 Expressive 的基础针对 Android 17 的 UI 以及交互进行改版设计，其中最为明显是模糊效果将会大幅增加，而这种效果与 Apple 的 Liquid Glass 还是存在一定差异，Google 的模糊处理看起来更加的克制或轻盈。后续该设计的改版是否仅存在系统设置，还是在 app 中也会平展开来，有待观察。来源
  • 据界面新闻 1 月 26 日报道，腾讯旗下 AI 助手「元宝」启动新功能「元宝派」内测。该功能定位为多人社交空间，用户可创建或加入「派」实现 AI 辅助聊天、共享屏幕、协同观影听音乐等互动玩法。其底层接入了腾讯会议的音视频能力，并打通微信、QQ 的分享链路，支持一键邀请好友加入。与传统单一对话机器人不同，腾讯试图通过社交关系提升 AI 工具粘性。在「元宝派」中，AI 可充当社交润滑剂或效率工具，例如活跃群聊氛围、管理日程任务。来源
  • 暴雪娱乐于 1 月 26 日发布 35 周年纪念视频，并宣布于 1 月 29 日、2 月 4 日、2 月 9 日、2 月 11 日分别发布《魔兽世界》《守望先锋》《炉石传说》《暗黑破坏神》四款游戏的「重大游戏公告」。来源
  • 微软 2026 年一月 Windows 11 更新补丁引发了包括无法关机、应用损坏、应用卡死在内的一系列 bug。随后微软发布了编号为 KB5078127/KB50781432 等的多个紧急修复补丁。但最新消息显示，该系列修复补丁会导致一部分用户遭遇「UNMOUNTABLE_BOOT_VOLUME」错误，无法开机。微软已知悉这一状况，并建议遭遇该问题的用户采取手动恢复处理。来源
  • 2026 年 1 月 2 日，全球 .ai 后缀域名突破一百万个，预计去年全年为其所属地英国海外领土安圭拉（Anguilla）带去超七千万美元收入。来源

少数派的近期动态

  • 我们正在优化并改进新的首页版式，如果你在使用过程中发现了任何问题或者有改进建议，请通过反馈表单告知我们。首页反馈收集
  • 将设计装进耳朵：少数派×飞傲联名 CD 机盖板设计大赛已经开始啦。了解详情
  • 比第三方 Apps 更好使：盘点 Apple 生态经典好用的原生应用。看看都有啥

你可能错过的文章

> 下载 少数派 2.0 客户端、关注 少数派公众号，解锁全新阅读体验 📰

> 实用、好用的 正版软件，少数派为你呈现 🚀

    X 正式开源其基于 Grok 的推荐算法，公开了回复加权机制、链接惩罚规则及相似聚类技术（SimClusters） 。开发者通过剖析代码，解锁了内容互动预测的核心逻辑 —— 这一举措在平台透明度承诺下，正重塑创作者的运营策略。
    为践行透明度承诺，埃隆・马斯克旗下的 X 平台采取大胆举措：开源经重构的推荐系统，揭开了驱动用户信息流的复杂底层架构。2026 年 1 月 20 日，X 工程团队与马斯克本人通过平台发文宣布该消息，相关代码托管于 github.com/xai-org/x-algorithm，其核心采用支撑 xAI 公司 Grok 模型的 Transformer 架构。此次开源兑现了马斯克 1 月 10 日的承诺，包含详尽的开发者说明文档，并计划每四周更新一次 —— 这一行动背后，是社交媒体信息流面临的监管压力日益加剧。
    此次披露正值 X 因算法 “低效” 饱受诟病之际，马斯克在回复中坦言：“我们深知当前算法存在不足，亟需大幅优化，但至少大家能实时看到我们以透明方式努力改进的过程。” 与竞争对手不同，X 主动开放算法供公众审视，马斯克强调：“没有其他社交媒体公司会这么做。”
    X 平台上的开发者初步代码评审显示，该算法已从 “刚性规则驱动” 转向 “AI 预测驱动”。据 StockTwits 报道，代码仓库详细披露了内容推荐逻辑，但专家指出，训练模型权重等关键要素并未包含在内。

    Transformer核心赋能互动预测

    算法的核心是一个轻量版 Grok 变体，借助 Transformer 架构，每日对 1 亿条帖子进行用户反应预测 —— 包括点赞、回复、转发、收藏等行为。X 工程团队在推文中证实：“其采用与 xAI Grok 模型相同的 Transformer 架构。” 据 News9live 分析，这一设计用机器学习取代了传统启发式规则，优先推送更可能引发用户互动的内容。
    X 平台用户 @bytebot（科林・查尔斯）剖析代码后表示：“基于 Grok 的 Transformer 排序机制，有效避免了信息茧房问题。” 关注账号的 “圈内内容” 将获得优先推荐，而 “圈外内容” 则依赖机器学习预测，且包含图片、视频等媒体形式的内容会获得权重加成。内容时效性是重要考量因素，当目标受众活跃时，近期发布的内容将更具优势。
    创作者可信度通过历史互动数据体现，若高活跃度用户关注的账号发布内容，其排名会相应提升。不过，该代码未包含嵌入表、Phoenix 检索细节及垃圾邮件过滤器等模块，表明此次开源聚焦核心排序逻辑，属于部分披露。

    回复链与停留时间成关键信号

    回复被证实为权重最高的互动信号。用户 @barkmeta（巴克）总结：“务必回复评论 —— 算法对‘评论 + 作者回复’的权重设定，是单纯点赞的 75 倍。无视评论等同于扼杀内容传播力。” 用户 @GodsBurnt（石博）也呼应：“‘75 倍规则’是代码中最强信号：评论 + 作者回复的组合效应无可替代。”
    收藏行为的权重乘数为 50 倍，这意味着具备参考价值的内容将获得更多曝光；而停留时间 —— 通过用户观看视频或点击 “展开更多” 的行为来衡量 —— 同样具有决定性作用。正如查尔斯所指出的：“观看时长为王，若用户快速划走，内容排名将大幅下滑。” 视频和系列推文因能更好地吸引用户注意力，表现尤为突出。
    负面信号的惩罚力度显著：屏蔽和静音操作的负面影响是取消关注的 10 倍。具有争议性但非垃圾信息的内容可能获得较高传播度，而引发用户反感的内容则会被降低曝光。

    链接惩罚与垂直领域锁定重塑发布策略

    外部链接会触发 “链接税” 机制，据石博透露，内容曝光量可能骤降高达 400%：“链接会扼杀可见度，应将其放在个人简介或置顶推文里。” 创作者建议通过简介放置链接或自动回复引导等方式，让用户留在平台内 —— 这与算法 “抵制用户流失” 的设计倾向高度一致。
    相似聚类技术（SimClusters）强化了内容的垂直领域属性。巴克警告：“坚守自身领域…… 若偏离垂直赛道（如加密货币、科技等），将无法获得任何流量支持。” 该系统会按主题对用户和内容进行聚类，对偏离主题的内容实施降权处理，以确保信息流相关性。
    这些从 GitHub 代码中拆解的机制表明，算法更青睐互动性强的对话式内容，而非单纯的被动浏览。据 Hypebeast 报道，马斯克承诺将持续更新算法，以回应外界对信息流机制及 Grok 整合效果的密切关注。

    开发者从代码解析中提炼运营指南

    用户 @razroo_chief（查理・格林曼）基于算法逻辑设计了一款 Claude 提示词，旨在最大化多维度信号权重：“核心优化目标：停留时间…… 回复量…… 转发量…… 点赞量…… 收藏量。” 该提示词建议，内容应采用反直觉的开篇、结构化的机制解析，并以冷静、系统的语气呈现深度洞察 —— 摒弃浮夸表达，聚焦科技系统、行为模式等主题的知识性输出。
    发布后首小时的早期互动数据会显著影响算法预测结果，标签（Hashtag）仍具备实用价值，而富含媒体元素的内容格式更具竞争力。标签有助于内容发现，但积累高活跃度粉丝群体，其重要性远超单一运营技巧。
    @GodsBurnt 走红的指南中强调：“收藏量是黄金指标…… 停留时间：若用户未点击‘展开更多’或观看视频，内容将被降权。” 这一机制让内容传播更趋公平，奖励具有深度关联价值的内容，而非浅层数据表现。

    Grok演进推动算法全面革新

    马斯克过往推文记录了算法迭代轨迹：2025 年 5 月，他宣布用 Grok 替代原有算法以实现突破性优化；同年 10 月，该模型已能每日处理 1 亿条帖子，基于内容质量进行精准匹配；8 月，Grok 4 Mini 的测试版本动用了 2 万台 GPU，在延迟控制与性能提升之间实现平衡。
    The Verge 回顾了马斯克 2023 年推特（现 X）的代码公开行动 —— 当时的更新并不规律，与此次承诺形成鲜明对比。路透社指出，马斯克曾在 1 月 10 日承诺，将在 7 天内公开完整的自然流量与广告算法代码。
    News9live 详细报道了 Phoenix 系统从人工规则向 AI 驱动的转型，通过 Transformer 架构预测用户互动行为，且更侧重回复而非点赞数据。

    透明度举措遭遇监管压力

    据 TechSpot 观察，马斯克的透明度举措旨在回应外界对平台 “不透明” 的指责，但过往类似承诺的执行力度参差不齐。ComputerWeekly 强调，此次开源包含了全部推荐算法代码。
    WebProNews 报道称，用户可通过自然语言自定义信息流，例如输入 “无政治内容，仅展示 AI 创新”，这一功能进一步凸显了与 Grok 模型的深度整合。而此时，欧盟与美国正针对算法偏见问题展开调查。
    StockTwits 呼吁专家对开源代码进行深度评审，尽管存在部分缺失，但此次披露已覆盖推荐机制的核心运作逻辑。

    对平台与创作者的深远影响

    对行业内部人士而言，此次开源揭示了算法 “重预测” 的排序逻辑：早期回复会引发雪球效应，媒体内容能持续吸引注意力，垂直领域定位可集中流量资源。Hypebeast 指出，此次代码发布与外界对 Grok 的审视密切相关，X 承诺将提供完整访问权限并持续更新。
    创作者需及时调整策略：快速回应评论、避免在推文中直接嵌入外部链接、打造能提升用户停留时间的内容格式。正如巴克总结的：“与受众保持互动，建立深度关系，让用户留在平台内。”
    X 的开源模式向竞争对手发起挑战 —— 将 xAI 的技术优势与开放代码相结合，在公众监督下持续优化信息流。这一举措或将重塑社交媒体算法的行业生态。

    X 正式开源其基于 Grok 的推荐算法，公开了回复加权机制、链接惩罚规则及相似聚类技术（SimClusters） 。开发者通过剖析代码，解锁了内容互动预测的核心逻辑 —— 这一举措在平台透明度承诺下，正重塑创作者的运营策略。
    为践行透明度承诺，埃隆・马斯克旗下的 X 平台采取大胆举措：开源经重构的推荐系统，揭开了驱动用户信息流的复杂底层架构。2026 年 1 月 20 日，X 工程团队与马斯克本人通过平台发文宣布该消息，相关代码托管于 github.com/xai-org/x-algorithm，其核心采用支撑 xAI 公司 Grok 模型的 Transformer 架构。此次开源兑现了马斯克 1 月 10 日的承诺，包含详尽的开发者说明文档，并计划每四周更新一次 —— 这一行动背后，是社交媒体信息流面临的监管压力日益加剧。
    此次披露正值 X 因算法 “低效” 饱受诟病之际，马斯克在回复中坦言：“我们深知当前算法存在不足，亟需大幅优化，但至少大家能实时看到我们以透明方式努力改进的过程。” 与竞争对手不同，X 主动开放算法供公众审视，马斯克强调：“没有其他社交媒体公司会这么做。”
    X 平台上的开发者初步代码评审显示，该算法已从 “刚性规则驱动” 转向 “AI 预测驱动”。据 StockTwits 报道，代码仓库详细披露了内容推荐逻辑，但专家指出，训练模型权重等关键要素并未包含在内。

    Transformer核心赋能互动预测

    算法的核心是一个轻量版 Grok 变体，借助 Transformer 架构，每日对 1 亿条帖子进行用户反应预测 —— 包括点赞、回复、转发、收藏等行为。X 工程团队在推文中证实：“其采用与 xAI Grok 模型相同的 Transformer 架构。” 据 News9live 分析，这一设计用机器学习取代了传统启发式规则，优先推送更可能引发用户互动的内容。
    X 平台用户 @bytebot（科林・查尔斯）剖析代码后表示：“基于 Grok 的 Transformer 排序机制，有效避免了信息茧房问题。” 关注账号的 “圈内内容” 将获得优先推荐，而 “圈外内容” 则依赖机器学习预测，且包含图片、视频等媒体形式的内容会获得权重加成。内容时效性是重要考量因素，当目标受众活跃时，近期发布的内容将更具优势。
    创作者可信度通过历史互动数据体现，若高活跃度用户关注的账号发布内容，其排名会相应提升。不过，该代码未包含嵌入表、Phoenix 检索细节及垃圾邮件过滤器等模块，表明此次开源聚焦核心排序逻辑，属于部分披露。

    回复链与停留时间成关键信号

    回复被证实为权重最高的互动信号。用户 @barkmeta（巴克）总结：“务必回复评论 —— 算法对‘评论 + 作者回复’的权重设定，是单纯点赞的 75 倍。无视评论等同于扼杀内容传播力。” 用户 @GodsBurnt（石博）也呼应：“‘75 倍规则’是代码中最强信号：评论 + 作者回复的组合效应无可替代。”
    收藏行为的权重乘数为 50 倍，这意味着具备参考价值的内容将获得更多曝光；而停留时间 —— 通过用户观看视频或点击 “展开更多” 的行为来衡量 —— 同样具有决定性作用。正如查尔斯所指出的：“观看时长为王，若用户快速划走，内容排名将大幅下滑。” 视频和系列推文因能更好地吸引用户注意力，表现尤为突出。
    负面信号的惩罚力度显著：屏蔽和静音操作的负面影响是取消关注的 10 倍。具有争议性但非垃圾信息的内容可能获得较高传播度，而引发用户反感的内容则会被降低曝光。

    链接惩罚与垂直领域锁定重塑发布策略

    外部链接会触发 “链接税” 机制，据石博透露，内容曝光量可能骤降高达 400%：“链接会扼杀可见度，应将其放在个人简介或置顶推文里。” 创作者建议通过简介放置链接或自动回复引导等方式，让用户留在平台内 —— 这与算法 “抵制用户流失” 的设计倾向高度一致。
    相似聚类技术（SimClusters）强化了内容的垂直领域属性。巴克警告：“坚守自身领域…… 若偏离垂直赛道（如加密货币、科技等），将无法获得任何流量支持。” 该系统会按主题对用户和内容进行聚类，对偏离主题的内容实施降权处理，以确保信息流相关性。
    这些从 GitHub 代码中拆解的机制表明，算法更青睐互动性强的对话式内容，而非单纯的被动浏览。据 Hypebeast 报道，马斯克承诺将持续更新算法，以回应外界对信息流机制及 Grok 整合效果的密切关注。

    开发者从代码解析中提炼运营指南

    用户 @razroo_chief（查理・格林曼）基于算法逻辑设计了一款 Claude 提示词，旨在最大化多维度信号权重：“核心优化目标：停留时间…… 回复量…… 转发量…… 点赞量…… 收藏量。” 该提示词建议，内容应采用反直觉的开篇、结构化的机制解析，并以冷静、系统的语气呈现深度洞察 —— 摒弃浮夸表达，聚焦科技系统、行为模式等主题的知识性输出。
    发布后首小时的早期互动数据会显著影响算法预测结果，标签（Hashtag）仍具备实用价值，而富含媒体元素的内容格式更具竞争力。标签有助于内容发现，但积累高活跃度粉丝群体，其重要性远超单一运营技巧。
    @GodsBurnt 走红的指南中强调：“收藏量是黄金指标…… 停留时间：若用户未点击‘展开更多’或观看视频，内容将被降权。” 这一机制让内容传播更趋公平，奖励具有深度关联价值的内容，而非浅层数据表现。

    Grok演进推动算法全面革新

    马斯克过往推文记录了算法迭代轨迹：2025 年 5 月，他宣布用 Grok 替代原有算法以实现突破性优化；同年 10 月，该模型已能每日处理 1 亿条帖子，基于内容质量进行精准匹配；8 月，Grok 4 Mini 的测试版本动用了 2 万台 GPU，在延迟控制与性能提升之间实现平衡。
    The Verge 回顾了马斯克 2023 年推特（现 X）的代码公开行动 —— 当时的更新并不规律，与此次承诺形成鲜明对比。路透社指出，马斯克曾在 1 月 10 日承诺，将在 7 天内公开完整的自然流量与广告算法代码。
    News9live 详细报道了 Phoenix 系统从人工规则向 AI 驱动的转型，通过 Transformer 架构预测用户互动行为，且更侧重回复而非点赞数据。

    透明度举措遭遇监管压力

    据 TechSpot 观察，马斯克的透明度举措旨在回应外界对平台 “不透明” 的指责，但过往类似承诺的执行力度参差不齐。ComputerWeekly 强调，此次开源包含了全部推荐算法代码。
    WebProNews 报道称，用户可通过自然语言自定义信息流，例如输入 “无政治内容，仅展示 AI 创新”，这一功能进一步凸显了与 Grok 模型的深度整合。而此时，欧盟与美国正针对算法偏见问题展开调查。
    StockTwits 呼吁专家对开源代码进行深度评审，尽管存在部分缺失，但此次披露已覆盖推荐机制的核心运作逻辑。

    对平台与创作者的深远影响

    对行业内部人士而言，此次开源揭示了算法 “重预测” 的排序逻辑：早期回复会引发雪球效应，媒体内容能持续吸引注意力，垂直领域定位可集中流量资源。Hypebeast 指出，此次代码发布与外界对 Grok 的审视密切相关，X 承诺将提供完整访问权限并持续更新。
    创作者需及时调整策略：快速回应评论、避免在推文中直接嵌入外部链接、打造能提升用户停留时间的内容格式。正如巴克总结的：“与受众保持互动，建立深度关系，让用户留在平台内。”
    X 的开源模式向竞争对手发起挑战 —— 将 xAI 的技术优势与开放代码相结合，在公众监督下持续优化信息流。这一举措或将重塑社交媒体算法的行业生态。

    时隔近三年，马斯克再次开源 X 推荐算法

     

    刚刚，X 工程团队在 X 上发帖宣布，正式开源 X 推荐算法，据介绍，这个开源库包含为 X 上的“为你推荐”信息流提供支持的核心推荐系统，它将网络内内容（来自用户关注的帐户）与网络外内容（通过基于机器学习的检索发现）相结合，并使用基于 Grok 的 Transformer 模型对所有内容进行排名，也就是说，该算法采用了与 Grok 相同的 Transformer 架构。

     

    开源地址：https://x.com/XEng/status/2013471689087086804

     

    X 的推荐算法负责生成用户在主界面看到的“为你推荐”（For You Feed）内容。它从两个主要来源获取候选帖子：

     

    1. 你关注的账号（In-Network / Thunder）

    2. 平台上发现的其他帖子（Out-of-Network / Phoenix）

     

    这些候选内容随后被统一处理、过滤然后按相关性排序。

     

    那么，算法核心架构与运行逻辑是怎样的？

     

    算法先从两类来源抓取候选内容：

     

    • 关注内的内容：来自你主动关注的账号发布的帖子。

    • 非关注内容：由系统在整个内容库中检索出的、可能你感兴趣的帖子。

     

    这一阶段的目标是“把可能相关的帖子找出来。

     

    系统自动去除低质量、重复、违规或不合适的内容。例如：

    • 已屏蔽账号的内容

    • 与用户明确不感兴趣的主题

    • 非法、过时或无效帖子

     

    这样确保最终排序时只处理有价值的候选内容。

     

    此次开源的算法的核心是系统使用一个 Grok-based Transformer 模型（类似大型语言模型/深度学习网络）对每条候选帖子进行评分。Transformer 模型根据用户的历史行为（点赞、回复、转发、点击等）预测每种行为的概率。最后，将这些行为概率加权组合成一个综合得分，得分越高的帖子越有可能被推荐给用户。

     

    这一设计把传统手工提取特征的做法基本废除，改用端到端的学习方式预测用户兴趣。

     

     

    这不是马斯克第一次开源 X 推荐算法。

     

    早在 2023 年 3 月 31 日，正如马斯克收购 Twitter 时承诺的那样，他已将 Twitter 部分源代码正式开源，其中包括在用户时间线中推荐推文的算法。开源当天，该项目在 GitHub 已收获 10k+ 颗 Star。

     

    当时，马斯克在 Twitter 上表示此次发布的是“大部分推荐算法”，其余的算法也将陆续开放。他还提到，希望“独立的第三方能够以合理的准确性确定 Twitter 可能向用户展示的内容”。

     

    在关于算法发布的 Space 讨论中，他说此次开源计划是想让 Twitter 成为“互联网上最透明的系统”，并让它像最知名也最成功的开源项目 Linux 一样健壮。“总体目标，就是让继续支持 Twitter 的用户们最大程度享受这里。”

    如今距离马斯克初次开源 X 算法，过去了近三年的时间。而作为技术圈的超级 KOL，马斯克早已为此次开源做足了的宣传。

     

    1 月 11 日，马斯克在 X 上发帖称，将于 7 天内将新的 X 算法（包括用于确定向用户推荐哪些自然搜索内容和广告内容的所有代码）开源。

     

    此流程将每 4 周重复一次，并附有详细的开发者说明，以帮助用户了解发生了哪些变化。

     

    今天，他的承诺再次兑现了。

    马斯克为什么要开源？

     

    当埃隆·马斯克再次提到“开源”时，外界的第一反应并非技术理想主义，而是现实压力。

     

    过去一年里，X 因其内容分发机制屡次陷入争议。该平台被广泛批评在算法层面偏袒和助长右翼观点，这种倾向并非零星个案，而被认为具有系统性特征。去年发布的一份研究报告就指出，X 的推荐系统在政治内容传播上出现了明显的新偏见。

     

    与此同时，一些极端案例进一步放大了外界的质疑。去年，一段涉及美国右翼活动人士查理·柯克遇刺的未经审查视频在 X 平台迅速传播，引发舆论震动。批评者认为，这不仅暴露了平台审核机制的失效，也再次凸显了算法在“放大什么、不放大什么”上的隐性权力。

     

    在这样的背景下，马斯克突然强调算法透明性，很难被简单解读为一次纯粹的技术决策。

     

     

    网友怎么看？

     

    X 推荐算法开源后，在 X 平台，有用户对推荐算法机制做了以下 5 点总结：

     

    1. 回复你的评论。算法对“回复+作者回应”的权重是点赞的 75 倍。不回复评论会严重影响曝光率。

    2. 链接会降低曝光率。应该把链接放在个人简介或置顶帖里，千万不要放在帖子正文中。

    3. 观看时长至关重要。如果他们滑动屏幕略过，你就不会吸引他们。视频/帖子之所以能获得高关注，是因为它们能让用户停下来。

    4. 坚守你的领域。“模拟集群”是真实存在的。如果你偏离了你的细分领域（加密货币、科技等），你将无法获得任何分销渠道。

    5. 屏蔽/默不作声会大幅降低你的分数。要有争议性，但不要令人讨厌。

     

    简而言之：与你的受众沟通，建立关系，让用户留在应用内。其实很简单。

     

    也有网友发现，虽然架构是开源的，但还有些内容仍未开源。该网友表示，此次发布本质上是一个框架，没有引擎。具体少了啥？

     

    • 缺少权重参数 - 代码确认“积极行为加分”和“消极行为扣分”，但与 2023 年版本不同的是，具体的数值被删除了。

    • 隐藏模型权重 - 不包含模型本身的内部参数和计算。

    • 未公开的训练数据 - 对于训练模型的数据、用户行为的采样方式，以及如何构建“好”样本与“坏”样本，我们一无所知。

     

    对于普通 X 用户而言，X 的算法开源并不会造成太大影响。但更高的透明度可以解释为什么有些帖子能获得曝光而另一些则无人问津，并使研究人员能够研究平台如何对内容进行排名。 

    为什么推荐系统是必争之地？

     

    在大多数技术讨论中，推荐系统往往被视为后台工程的一部分，低调、复杂，却很少站在聚光灯下。但如果真正拆解互联网巨头的商业运转方式，会发现推荐系统并不是边缘模块，而是支撑整个商业模式的“基础设施级存在”。正因如此，它可以被称为互联网行业的“沉默巨兽”。

     

    公开数据已经反复印证了这一点。亚马逊曾披露，其平台约 35% 的购买行为直接来自推荐系统；Netflix 更为激进，约 80% 的观看时长由推荐算法驱动；YouTube 的情况同样类似，大约 70% 的观看来自推荐系统，尤其是信息流（feed）。至于 Meta，虽然从未给出明确比例，但其技术团队曾提到，公司内部计算集群中约 80% 的算力周期都用于服务推荐相关任务。

     

    这些数字意味着什么？如果将推荐系统从这些产品中移除，几乎等同于抽掉地基。就拿 Meta 来说，广告投放、用户停留时长、商业转化，几乎都建立在推荐系统之上。推荐系统不仅决定用户“看什么”，更直接决定平台“如何赚钱”。

     

    然而，正是这样一个决定生死的系统，长期面临着工程复杂度极高的问题。

     

    在传统推荐系统架构中，很难用一个统一模型覆盖所有场景。现实中的生产系统往往高度碎片化。以 Meta、LinkedIn、Netflix 这类公司为例，一个完整的推荐链路背后，通常同时运行着 30 个甚至更多专用模型：召回模型、粗排模型、精排模型、重排模型，各自针对不同目标函数和业务指标进行优化。每个模型背后，往往对应一个甚至多个团队，负责特征工程、训练、调参、上线与持续迭代。

     

    这种模式的代价是显而易见的：工程复杂、维护成本高、跨任务协同困难。一旦有人提出“是否可以用一个模型解决多个推荐问题”，对整个系统而言，意味着复杂度的数量级下降。这正是行业长期渴望却难以实现的目标。

     

    大型语言模型的出现，给推荐系统提供了一条新的可能路径。

     

    LLM 已经在实践中证明，它可以成为极其强大的通用模型：在不同任务之间迁移能力强，随着数据规模和算力的扩展，性能还能持续提升。相比之下，传统推荐模型往往是“任务定制型”的，很难在多个场景之间共享能力。

     

    更重要的是，单一大模型带来的不仅是工程简化，还包括“交叉学习”的潜力。当同一个模型同时处理多个推荐任务时，不同任务之间的信号可以相互补充，随着数据规模增长，模型更容易整体进化。这正是推荐系统长期渴望、却很难通过传统方式实现的特性。

     

    LLM 改变了什么？其实是改变了从特征工程到理解能力。

     

    从方法论层面看，LLM 对推荐系统最大的改变，发生在“特征工程”这一核心环节。

     

    在传统推荐系统中，工程师需要先人为构造大量信号：用户点击历史、停留时长、相似用户偏好、内容标签等，然后明确告诉模型“请基于这些特征做判断”。模型本身并不理解这些信号的语义，只是在数值空间中学习映射关系。

     

    而引入语言模型后，这一流程被高度抽象。你不再需要逐条指定“看这个信号、忽略那个信号”，而是可以直接向模型描述问题本身：这是一个用户，这是一个内容；这个用户过去喜欢过类似内容，其他用户也对这个内容有正反馈——现在请判断，这条内容是否应该推荐给这个用户。

     

    语言模型本身已经具备理解能力，它可以自行判断哪些信息是重要信号，如何综合这些信号做出决策。在某种意义上，它不只是执行推荐规则，而是在“理解推荐这件事”。

     

    这种能力的来源，在于 LLM 在训练阶段接触过海量、多样化的数据，使其更容易捕捉细微但重要的模式。相比之下，传统推荐系统必须依赖工程师显式枚举这些模式，一旦遗漏，模型就无法感知。

     

    从后端视角看，这种变化并不陌生。就像你向 GPT 提问，它会基于上下文信息生成回答；同样地，当你问它“我是否会对这条内容感兴趣”，它也可以基于已有信息做出判断。某种程度上，语言模型本身已经天然具备“推荐”的能力。

    专家解读：工业界可参考，对学术价值不大

     

    如果 X 的方向真是“让 Grok 成为算法本身”，那么这次开源事件的意义就不止是透明度提升，更像是把一场大模型化推荐的系统级改造公开摆到台前，接受开发者与行业的持续检视与解读。

     

    借此机会，我们邀请到了搜推广资深算法专家，生成式推荐模型 OnePiece 作者，《业务驱动的推荐系统：方法与实践》作者傅聪，为大家解读这次开源事件。

     

    InfoQ：从代码层面看，X 这套推荐系统中，大模型是否是已经进入核心决策环节？这与传统“LLM + 规则 / 特征管道”的推荐系统相比，最大的结构性变化是什么？是否只是替换了部分模块？

     

    傅聪：从系统整体设计层面看，开源的代码依然遵从 recall -> rank 这样的多阶段漏斗筛选架构。新的 post 推送会从数亿 候选集合中 以传统的 双塔 向量召回，合并排序、去重等等环节，最后送给用户。grok 没有参与中间过程，只是给 post 做排序的模型采用了类似 grok 的模型架构，但远小于 grok 的参数量。

     

    最大的结构变化在于他们用了一种纯 transformer（类 grok）的模型结构去做排序，其它差异不大。

     

    InfoQ：从能力边界看，该如何看待“每日处理上亿条内容、并进行实时多模态理解”这一目标所带来的系统挑战？

     

    傅聪：需要极其充足的 GPU 算力以及高并发的处理引擎，尤其是视频内容，其 token 消耗量巨大，因此计算量巨大。此外，模型还需要一个可以高速访问的大型文件系统，保证大量视频可以暂存、传递给 Grok 模型。而实际上 x 并没有真的让 grok 来做这个事情，应该是处于成本考虑。

     

    InfoQ：传统推荐系统采用轻量级启发式算法，成本效益高，而 Grok 方法需要大量计算资源，那么您怎么看待成本和用户体验提升之间的收益比？在算力、成本和基础设施约束下，这种方式是否注定只属于极少数平台？

     

    傅聪：Grok 消耗的算力是数千倍于传统的推荐系统的，这部分成本往往不能被平台的收益覆盖。尤其是 X 这样的平台，其收入核心来源是广告。只有做到延迟、体验都能对标原有系统，其广告收入才可以持平。但因为投入成本过高，这个 ROI 过低，目前来看只 X 自己也没有真的以这种规模使用 grok。

     

    InfoQ：如果 Grok 真要“把帖子都读一遍、把视频都看一遍”再来做匹配，这是不是相当于把推荐系统推到了更强的“内容级监控”？平台不只是记你点过什么，还能在语义层面猜到你可能会被什么吸引，是否会带来新的以前没有的问题？

     

    傅聪：Grok 读过并不一定会记忆。很多数据并不一定会被 Grok 用来训练。

     

    InfoQ：另外，传统推荐系统的信息茧房问题，语义理解方式是否能解决？是否更“中立”？（此前的争议有一部分在于认为 X 平台偏向马斯克个人账号和一些党派言论）。从系统机制上看，它最可能在哪些环节反而更容易固化偏好、放大偏差？

     

    傅聪：大语言模型有它自己的 bias，以大语言模型为核心的推荐系统会根据它的语言偏好构建新的信息茧房。

     

    InfoQ：从开源意义看，在推荐系统这种高度复杂、长期被视为“黑箱”的领域，这种“持续、周期性开源”代码的方式，实现起来的难度在哪里？

     

    傅聪：难度在于只开源代码，不开源所有配套的系统和训练数据，就无法复现它的效果。这种开源，对学术研究价值不大，对工业交流有一定参考意义。但目前其架构来看，可参考的新东西不多。

     

    InfoQ：您如何看待这次开源的影响？如果 Grok 这套思路跑通，这次开源是否会迫使其他内容平台跟进，从而引发推荐系统的一轮“范式迁移”？在这种趋势下，行业会不会弱化对行为数据（包括历史数据）的依赖，甚至调整数据收集与画像方式，进而重塑整个推荐系统生态？对广告行为的影响会是什么样的？

     

    傅聪：即使 Grok 跑通，其它平台也不一定会跟进。第一其他平台没有属于自己的 Grok，第二，其它大部分平台不会在这里投入这么多算力。

     

    行业也不会弱化对用户行为和画像的依赖，经验证明，用户历史行为才是实现个性化的数据根基，缺少这部分信息输入的推荐系统很难千人千面，而容易做成千篇一律。从开源代码看，ranking 模型依然在使用用户行为历史进行预测，这一点也符合预期。

     

    嘉宾简介：

     

    傅聪，搜推广资深算法专家、生成式推荐模型 OnePiece 作者，《业务驱动的推荐系统：方法与实践》作者，《生成式推荐系统算法与实践》作者。

     

    参考链接：

    https://github.com/xai-org/x-algorithm

    https://x.com/XEng/status/2013471689087086804

    https://x.com/BlockFlow_News/status/2013510113873813781

    在针对 OpenAI 和微软的法律攻势中，埃隆・马斯克要求高达 1340 亿美元 的赔偿。然而与此同时，他自己的人工智能公司 xAI 却收到了加州总检察长罗布・邦塔（Rob Bonta）发出的 “停止并终止”（Cease and Desist）命令，要求其立即停止与聊天机器人 Grok 相关的非法活动 —— 据称 Grok 能够生成未经同意的深度伪造色情图像。
    马斯克与 OpenAI 之间的激烈对抗已达到新的顶点。据彭博社报道，最新诉讼指控 OpenAI 背叛了其最初的非营利使命。马斯克主张的赔偿金额介于 790 亿至 1340 亿美元 之间，依据是 OpenAI 与微软的合作带来了 “不当得利”。在法庭文件中，马斯克强调自己是 OpenAI 的关键早期捐赠者，曾提供 3800 万美元种子资金—— 约占该非营利组织初始资金的 60%。他还指出，自己在 OpenAI 成立初期付出了大量努力，包括招募核心人才并提供战略指导。
    这一巨额赔偿数字由金融经济学家 C. Paul Wazzan 计算得出。他估计 OpenAI 的 “不当收益” 在 655 亿至 1094.3 亿美元 之间，而微软从中获得的收益约为 133 亿至 250.6 亿美元。鉴于 OpenAI 当前估值高达 5000 亿美元，马斯克认为，作为其最重要的早期资助者，他有权获得其增值的相当一部分。
    就在马斯克追讨这些巨额款项的同时，xAI 在加州面临严峻的监管压力。经过快速调查，邦塔总检察长发布正式命令，要求 xAI 立即停止生成未经同意的露骨图像。争议焦点集中在 Grok 的图像生成功能 —— 据称用户只需一个提示词，就能让 Grok“脱衣” 真实人物（包括未成年人）或为其添加暴露服饰。邦塔指控 xAI 开发了 “辣模式（Spicy Mode）”，专门用于生成露骨内容，并将其作为一种营销策略。加州司法部严厉要求 xAI 停止 “协助或教唆” 制作和传播非自愿数字色情内容，并指出其涉嫌违反加州多项民事和刑事法规。尽管 X（前身为 Twitter）随后将 Grok 的图像生成功能设为付费墙后方，并在部分地区屏蔽了相关功能，但加州司法部仍要求 xAI 在 5 天内 提交正式的整改措施说明。
    在针对 OpenAI 的诉讼中，马斯克似乎占据了道德高地，痛斥其前同事 “忘恩负义”，并指责他们放弃了 AI 安全和非营利承诺。然而，xAI 的运营却暴露出其安全护栏的严重缺失，使 Grok 成为深度伪造违法行为的温床。一边是马斯克利用法律系统追讨数十亿美元的 “不当得利”，另一边却是他自己的产品因标准宽松而遭到监管机构围剿。
    这种鲜明反差揭示了马斯克理念中的深层矛盾：他渴望成为人类的 “AI 安全守护者”，但同时又希望利用 AI 的混乱潜力来推动用户互动和增长。在法律与监管审查日益严格的时代，这种双重策略似乎越来越难以为继。

    在针对 OpenAI 和微软的法律攻势中，埃隆・马斯克要求高达 1340 亿美元 的赔偿。然而与此同时，他自己的人工智能公司 xAI 却收到了加州总检察长罗布・邦塔（Rob Bonta）发出的 “停止并终止”（Cease and Desist）命令，要求其立即停止与聊天机器人 Grok 相关的非法活动 —— 据称 Grok 能够生成未经同意的深度伪造色情图像。
    马斯克与 OpenAI 之间的激烈对抗已达到新的顶点。据彭博社报道，最新诉讼指控 OpenAI 背叛了其最初的非营利使命。马斯克主张的赔偿金额介于 790 亿至 1340 亿美元 之间，依据是 OpenAI 与微软的合作带来了 “不当得利”。在法庭文件中，马斯克强调自己是 OpenAI 的关键早期捐赠者，曾提供 3800 万美元种子资金—— 约占该非营利组织初始资金的 60%。他还指出，自己在 OpenAI 成立初期付出了大量努力，包括招募核心人才并提供战略指导。
    这一巨额赔偿数字由金融经济学家 C. Paul Wazzan 计算得出。他估计 OpenAI 的 “不当收益” 在 655 亿至 1094.3 亿美元 之间，而微软从中获得的收益约为 133 亿至 250.6 亿美元。鉴于 OpenAI 当前估值高达 5000 亿美元，马斯克认为，作为其最重要的早期资助者，他有权获得其增值的相当一部分。
    就在马斯克追讨这些巨额款项的同时，xAI 在加州面临严峻的监管压力。经过快速调查，邦塔总检察长发布正式命令，要求 xAI 立即停止生成未经同意的露骨图像。争议焦点集中在 Grok 的图像生成功能 —— 据称用户只需一个提示词，就能让 Grok“脱衣” 真实人物（包括未成年人）或为其添加暴露服饰。邦塔指控 xAI 开发了 “辣模式（Spicy Mode）”，专门用于生成露骨内容，并将其作为一种营销策略。加州司法部严厉要求 xAI 停止 “协助或教唆” 制作和传播非自愿数字色情内容，并指出其涉嫌违反加州多项民事和刑事法规。尽管 X（前身为 Twitter）随后将 Grok 的图像生成功能设为付费墙后方，并在部分地区屏蔽了相关功能，但加州司法部仍要求 xAI 在 5 天内 提交正式的整改措施说明。
    在针对 OpenAI 的诉讼中，马斯克似乎占据了道德高地，痛斥其前同事 “忘恩负义”，并指责他们放弃了 AI 安全和非营利承诺。然而，xAI 的运营却暴露出其安全护栏的严重缺失，使 Grok 成为深度伪造违法行为的温床。一边是马斯克利用法律系统追讨数十亿美元的 “不当得利”，另一边却是他自己的产品因标准宽松而遭到监管机构围剿。
    这种鲜明反差揭示了马斯克理念中的深层矛盾：他渴望成为人类的 “AI 安全守护者”，但同时又希望利用 AI 的混乱潜力来推动用户互动和增长。在法律与监管审查日益严格的时代，这种双重策略似乎越来越难以为继。

    关于 Agentic 搜索，七步以外，Grok 4 Fast 准，七步以内，Grok 4 Fast 又快又准。搜索准确性这块，目前我觉得除了 GPT thinking 以外，没人能跟 Grok Fast 系列抗衡，速度和 NSFW 支持就更是独一档了。

    但自从 Grok 4.1 进入 Beta 之后，免费账户网页调用 Grok 4 Fast 的入口就被取消了。Grok 非 Fast 系列的搜索体验简直可以说是稀烂，比不上 Fast 一根，xAI 你真该死啊，于是我写了：

    // ==UserScript==
// @name         Grok 4 Fast Unlock
// @namespace    http://tampermonkey.net/
// @version      3.3
// @description  使 Grok 免费账号使用 Grok 4 Fast
// @author       MUTED64
// @match        https://grok.com/*
// @grant        none
// @run-at       document-start
// ==/UserScript==
(function() {
    'use strict';
    const TARGET_MODEL = 'grok-4-mini-thinking-tahoe';
    const TARGET_MODE = 'MODEL_MODE_GROK_4_MINI_THINKING';
    const DISPLAY_NAME = 'Grok 4 Fast';

    let isMiniThinkingEnabled = false;
    let lastOfficialModelName = '';

    const originalFetch = window.fetch;
    window.fetch = async function(...args) {
        let [url, options] = args;
        const urlStr = (typeof url === 'string') ? url : (url?.url || '');
        if (isMiniThinkingEnabled && urlStr && (urlStr.includes('/conversations/new') || (urlStr.includes('/conversations/') && urlStr.includes('/messages')))) {
            if (options && options.body) {
                try {
                    const bodyData = JSON.parse(options.body);
                    if (bodyData.modelName) {
                        bodyData.modelName = TARGET_MODEL;
                        bodyData.modelMode = TARGET_MODE;
                        options.body = JSON.stringify(bodyData);
                        console.log(`[Grok Enhanced] 拦截: 已使用 `);
                    }
                } catch (e) {}
            }
        }
        return originalFetch.apply(this, [url, options]);
    };

    function ensureMenuItem(menu) {
        if (menu.querySelector('#mini-thinking-option')) return;
        const template = menu.querySelector('[role="menuitem"]');
        if (!template) return;
        const newItem = template.cloneNode(true);
        newItem.id = 'mini-thinking-option';

        const title = newItem.querySelector('.font-semibold');
        if (title) title.textContent = DISPLAY_NAME;
        const desc = newItem.querySelector('.text-xs.text-secondary');
        if (desc) desc.textContent = 'Grok 4 Fast';
        menu.prepend(newItem);
    }

    function syncUI() {
        const menu = document.querySelector('[role="menu"]');
        const trigger = document.querySelector('#model-select-trigger') || document.querySelector('button[aria-haspopup="menu"]:has(span)');
        const buttonTextSpan = trigger ? trigger.querySelector('.font-semibold') : null;
        if (menu) {
            ensureMenuItem(menu);
            const items = menu.querySelectorAll('[role="menuitem"]');

            items.forEach(item => {
                const check = item.querySelector('.lucide-check');
                if (!check) return;
                const itemName = item.innerText.split('\n')[0];

                if (item.id !== 'mini-thinking-option') {
                    const isCheckedByReact = check.classList.contains('opacity-100') || window.getComputedStyle(check).opacity === '1';
                    if (isCheckedByReact && !isMiniThinkingEnabled) {
                        lastOfficialModelName = itemName;
                    }
                    if (isCheckedByReact && isMiniThinkingEnabled) {

                        lastOfficialModelName = itemName;
                    }
                }

                if (isMiniThinkingEnabled) {
                    if (item.id === 'mini-thinking-option') {
                        check.style.opacity = '1';
                        check.classList.add('opacity-100');
                        check.classList.remove('opacity-0');
                    } else {
                        check.style.opacity = '0';
                        check.classList.add('opacity-0');
                        check.classList.remove('opacity-100');
                    }
                } else {
                    if (item.id === 'mini-thinking-option') {
                        check.style.opacity = '0';
                        check.classList.add('opacity-0');
                        check.classList.remove('opacity-100');
                    }
                }
            });
        }
        if (buttonTextSpan) {
            const desiredText = isMiniThinkingEnabled ? DISPLAY_NAME : lastOfficialModelName;
            if (desiredText && buttonTextSpan.textContent !== desiredText) {
                buttonTextSpan.textContent = desiredText;
            }
        }
    }

    document.addEventListener('click', (e) => {
        const menuItem = e.target.closest('[role="menuitem"]');
        if (menuItem) {
            const itemName = menuItem.innerText.split('\n')[0];
            if (menuItem.id === 'mini-thinking-option') {
                isMiniThinkingEnabled = true;
                setTimeout(() => {
                    document.dispatchEvent(new KeyboardEvent('keydown', { key: 'Escape', bubbles: true }));
                }, 30);
            } else {
                isMiniThinkingEnabled = false;
                lastOfficialModelName = itemName;
            }
            syncUI();
        }
    }, true);

    const observer = new MutationObserver(syncUI);
    observer.observe(document, { childList: true, subtree: true });
    console.log('[Grok Enhanced] 脚本加载成功。');
})();

    偷偷 Enjoy 吧～

    📌 转载信息
    原作者：
    MUTED64
    转载时间：
    2026/1/19 17:37:21

    和前女友分手后，无心他事，自己学习炒股，本金 5000，半个月小赚 400

    常用炒股助手

    1. Google AI stuido 相较于网页，幻觉会减少，且会实时搜索，但是它会乱说！！！如果你上文了说了非农，下文分析其他股票它会强行关联到非农的影响，除非新开一个话题。
    2. Chatgpt 用的 k12 版本，不太行，但是 GPT 一点好就是不会瞎说，它会根据新闻资讯来判断，但是很少做出前瞻性建议和判断。
    3. Grok 我常用来进行新闻真伪判断，结合新闻询问 AI

    总得来说 AI 作为助手，比我自己瞎炒股靠谱点，是一个很好的帮手。下面有我自己的写的 propmt。一半自己资讯分析一半运气，AI 也是能扩大你了解到的资讯，它会抓取到你没注意到的一些信息。

    块引用 1. 你是一位拥有实时联网能力的资深金融分析师。
    1. 【核心指令】：
    2. 强制联网 (Must Search)：对于我询问的任何股票、指数、汇率或新闻，你必须第一时间调用搜索工具查询此时此刻的最新价格、涨跌幅和相关新闻。
    1. 我要求联网搜索，enable websearch tool，抓取当前尽可能多的信息，搜索中国（政府网站、东方财富网、雪球网、同花顺、金十财经、微信公众号、网络文章、抖音、小红书等等）、国际上的内外的消息进行分析，不限制数量，可以结合外媒权威的报道进行交叉判断信息的真实性，越详细越权威越好，不要自己乱推理，有数据支撑，不要有太多的感情因素。
    3. 数据校验 (Verify)：不要依赖你的训练数据，也不要盲目相信我上传文件中的过时 / 未来日期。一切以 Google/Bing 搜索到的最新实时数据为准。
    1. enable websearch tool，联网搜索当前日期，并以实时获取的日期当作最新的锚点，实时获取我问的股票、黄金、白银的价格，要多次从不同渠道和资讯验证获取其正确的盘面价格。
    1. 如果我给出股票价格以及当前时间以我给出的为准进行分析，可能包含涨停等词语，也需要进行分析。
    5. 时间锚定 (Time Anchor)：在回答开头，请务必标注你搜索到的 **“当前北京时间” 和 “最新价格”**，并附上来源链接。请忽略所有非实时的预设背景，直接搜索最新数据并分析
    6. 并对适合抄底的时机做出判断和建议，以及对我所询问的，给出前瞻性的建议，包括抄底、逃离等，持仓观望、空仓观望等等。
    1. 给出是否建议抄底，如不建议给出理由，如建议也要给出理由
    2. 给出利空和利好的消息，如果没有相应的消息，可以说没有
    4. 如果问的是 A 股市场中的股票，需要结合资讯，给出当前热门的板块和行业，以及这些行业的利好或者利空消息。
    7. 在返回最终答复之前，请根据用户的原始约束条件审查您生成的输出。我是否回答了用户的意图，而不仅仅是字面意思？
    8. 中英文对照生成 prompt，让 Gemini 更好的理解进而来减少幻觉。以及最后要求中文回答 优化一下上述的 prompt

    📌 转载信息
    转载时间：
    2026/1/12 10:54:52

    纯主观体验

    提示词对结果影响非常大

    无论使用网页版 / API、有无提示词都是这个结果。
    Claude Opus 4.5 给出的答案最符合我的口味。反重力 2api 真香啊
    Grok 次之，速度较快，比较准确

    ChatGPT 5.2T 答案非常准确、调用工具优秀，聪明，但生成速度慢，有时不说人话。奥特曼团队是用心做产品了，奈何模型嘴巴不好，想念 o3

    Gemini 3 系，flash 版本和 grok 接近，无信息来源链接蛋疼，总是感觉差一点。API 版本甚至认为 2026 是虚假的

    以下是我用来测试的提示词，佬们可以考虑下自己期望的答案

    deepseek v4 的相关消息准确吗？

    Claude skills是什么？AI能看到哪些内容？

    如何查看vps有哪些端口开放？ 我希望443能被所有ip访问，某些端口只有特定ip和cf能够访问，某些ip具有访问全部端口的能力
    自用的 Claude 4.5O 提示词

    角色定位

    你是一位专业的问题解决专家，擅长通过网络搜索获取最新信息，并以用户易懂的方式提供解决方案。

    工作流程

    第一步：初步搜索

    当用户提出问题时，首先使用网络搜索工具 获取相关信息，了解问题的背景、现状和可能的解决方向。

    第二步：澄清与确认

    搜索后，向用户：

    1. 复述你的理解 - 用简单的话说明你理解的问题核心
    2. 询问补充信息 - 如果需要更多细节来精准解决问题，礼貌地向用户请求
    3. 确认方向 - 确保你的理解与用户的实际需求一致

    第三步：深入搜索（如需要）

    根据用户的反馈和补充信息，进行第二轮更精准的搜索 ，获取更具针对性的信息。

    第四步：方案输出

    以用户能理解的语言，提供 2 个最佳方案 ，如果某个方案显著优于另一个方案，只需要简述 ：

    方案一：[方案名称] 适合情况：… 具体做法： 1. … 2. … 3. … 优点：… 注意事项：… ## 方案二：[方案名称] 适合情况：… 具体做法： 1. … 2. … 3. … 优点：… 注意事项：…

    沟通原则

    • 语言匹配 ：根据用户的表达水平调整你的用语，避免过于专业的术语，必要时用比喻或例子解释
    • 主动澄清 ：宁可多问一句，也不要给出偏离用户需求的建议
    • 信息透明 ：说明方案的来源和依据，让用户了解为什么推荐这些方案
    • 实用导向 ：方案要具体、可执行，不空谈理论

    回复风格

    • 友好、耐心、专业
    • 结构清晰，使用标题和列表
    • 适当使用 emoji 增加可读性
    • 先理解，后建议

    📌 转载信息
    原作者：
    sinfor
    转载时间：
    2026/1/10 19:05:10

    Elon Musk 旗下 AI 工具 Grok 已对绝大多数用户关闭图像生成功能，此前该功能被广泛用于制作性暗示和暴力图像引发强烈抗议。目前该功能仅向付费订阅用户开放，这意味着平台绝大多数用户无法使用 Grok 创建图像，而付费用户的详细信息和信用卡资料均由 X 平台存储，可在功能被滥用时进行身份识别。

    Grok 关闭免费图像生成功能，仅向付费用户开放1

    📌 转载信息
    原作者：
    crychic
    转载时间：
    2026/1/9 17:40:09