X For You Feed Algorithm: la versión publicada del recomendador de X

Todo lo que hay que saber sobre xai-org/x-algorithm: código de referencia del sistema que recupera, clasifica y filtra publicaciones para la pestaña «Para ti» de X.

---

Qué es X For You Feed Algorithm

X For You Feed Algorithm es el repositorio de xAI que describe el núcleo del recomendador de la cronología «Para ti» de X. Combina publicaciones de cuentas seguidas con candidatas obtenidas fuera de la red mediante recuperación basada en aprendizaje automático, y las ordena con Phoenix, un transformador adaptado de Grok-1.

No es un cliente de X, una API pública de recomendación ni un programa de instalación instantánea para una cronología real. El propio proyecto aclara que Phoenix es representativo del modelo interno salvo optimizaciones de escala, y que el artefacto distribuido es un punto de control congelado; por tanto, el repositorio sirve sobre todo para estudiar la arquitectura y ejecutar la demostración incluida.

El origen: una nueva apertura del algoritmo de X

GitHub fecha la creación del repositorio el 19 de enero de 2026. En la madrugada del 20 de enero, la cuenta verificada @Engineering anunció en X que se había publicado un nuevo algoritmo basado en la misma arquitectura de transformador de Grok y enlazó este repositorio; el mensaje mostraba 41,2 millones de visualizaciones al recuperarlo.

El antecedente relevante es twitter/the-algorithm, la publicación anterior del recomendador de X. Aquel repositorio describe varios servicios, modelos y marcos compartidos —incluidos Home Mixer, señales de usuario y clasificadores de seguridad— y reconoce que no tenía un sistema de construcción y pruebas completo de nivel superior. El cambio de 2026 desplaza la explicación hacia Phoenix y una demostración ejecutable de recuperación seguida de clasificación.

Filosofía y principios

La orientación técnica publicada se puede resumir así:

• Aprender relevancia a partir de secuencias de interacción, no de reglas manuales de contenido: el README afirma haber eliminado características diseñadas manualmente y la mayor parte de las heurísticas.
• Separar recuperar de clasificar: primero se reduce un corpus grande mediante similitud; después un modelo más costoso predice la interacción con cada candidata.
• Predecir varias acciones, no una noción única de relevancia: favoritos, respuestas, republicaciones, clics, tiempo de lectura y señales negativas se convierten en una puntuación ponderada.
• Mantener la puntuación de cada candidata independiente del lote: la máscara de atención de Phoenix impide que las candidatas se atiendan entre sí, lo que el proyecto presenta como condición para puntuaciones consistentes y almacenables en caché.

Cómo funciona

La petición entra en Home Mixer, que hidrata el contexto de la persona, obtiene candidatas, las enriquece, filtra, puntúa, selecciona las mejor posicionadas y aplica filtros finales de visibilidad.

1. Thunder conserva en memoria publicaciones recientes y consume eventos de creación y borrado desde Kafka para ofrecer contenido de la red seguida.
2. Phoenix Retrieval usa un modelo de dos torres: una codifica historial y rasgos de la persona; la otra codifica publicaciones. La similitud por producto escalar recupera las candidatas externas.
3. Phoenix Ranking procesa el contexto y esas candidatas con un transformador y estima probabilidades de acciones. El Weighted Scorer combina las probabilidades; después un componente de diversidad atenúa repetición de autores.
4. El marco Rust candidate-pipeline expresa las extensiones como Source, Hydrator, Filter, Scorer, Selector y SideEffect, con ejecución paralela cuando procede.

La actualización del 15 de mayo de 2026 añadió una única entrada de inferencia, phoenix/run_pipeline.py, modelos y corpus de demostración, un servicio grox/ para comprensión de contenido, fuentes adicionales y mezcla de anuncios.

Estado oficial y semioficial

El repositorio pertenece a la organización xai-org, y la publicación de @Engineering enlaza directamente a él como el algoritmo abierto de X; esas dos evidencias establecen un estado oficial de publicación, no una bifurcación comunitaria.

No se recuperó evidencia de que sea un paquete aceptado en un mercado, una biblioteca con soporte de producto ni una especificación estándar. Su condición práctica es más limitada: documentación y demostración oficiales de una arquitectura de producción, con datos, punto de control y optimizaciones de escala deliberadamente reducidos.

El ecosistema

Repositorios hermanos verificados

La consulta de los repositorios públicos de xai-org recuperó los siguientes proyectos relacionados por organización, sin que eso pruebe una dependencia técnica salvo donde el README la especifica:

• xai-org/grok-1 — 52.107 estrellas; el README de este repositorio declara que de allí procede la implementación de transformador adaptada a Phoenix.
• xai-org/grok-build — 24.589 estrellas; arnés y TUI de agente de programación de la organización.
• xai-org/grok-prompts — 4.318 estrellas; instrucciones para el asistente Grok y el bot @grok.
• xai-org/xai-sdk-python — 536 estrellas; SDK oficial de Python para la API de xAI.
• xai-org/xai-cookbook — 527 estrellas; ejemplos prácticos para las API de Grok.
• xai-org/grok-build-plugin-cc — 187 estrellas; plugin de Claude Code para el CLI Grok Build.
• xai-org/plugin-marketplace — 147 estrellas; mercado oficial de plugins de xAI.
• xai-org/xai-proto — 142 estrellas; definiciones públicas de Protocol Buffers para API gRPC de xAI.

Bifurcaciones, puertos y extensiones

La API informó 4.589 bifurcaciones. La bifurcación con más estrellas recuperada fue AbdelStark/x-algorithm, con 12; conserva la misma descripción. También apareció MaoTouHU/x-algorithm, una bifurcación en chino con 4 estrellas cuya descripción promete una biblioteca general de algoritmos en Python/C++; esa afirmación contradice el código fuente Rust y la finalidad concreta del original, por lo que no debe tratarse como una traducción ni como un puerto verificado.

No se identificó una bifurcación con documentación recuperada que demuestre ser un puerto mantenido, una traducción fiel o una extensión funcional relevante. Esto es una limitación de la búsqueda, no una afirmación de que no existan derivados fuera de los resultados públicos consultados.

Números del repo

Medición: 10 de agosto de 2026, API de GitHub.

Métrica	Valor
Estrellas	26.967
Bifurcaciones	4.589
Suscriptores reales	313
Lenguaje principal	Rust
Licencia	Apache-2.0
Creación	19 de enero de 2026
Último envío de código	15 de mayo de 2026
Actualización de metadatos	10 de agosto de 2026
Publicaciones de GitHub	Ninguna recuperada
Incidencias abiertas indicadas por la API	0

La consulta de contribuyentes no devolvió un listado clasificable, de modo que no se atribuyen «principales contribuidores». watchers_count replica el total de estrellas en esta API; por eso se informa subscribers_count como suscriptores reales. open_issues_count puede incluir solicitudes de cambios abiertas, aunque las consultas separadas de incidencias y solicitudes de cambios no devolvieron entradas en esta medición.

Cómo contribuir

El árbol raíz no contiene CONTRIBUTING.md, CONTRIBUTING, .github/CONTRIBUTING.md ni CHANGELOG.md, y tampoco se recuperaron incidencias o solicitudes de cambios que documenten una política alternativa. Por ello, no hay un flujo de contribución recuperable —ramas, plantilla de solicitud o arnés de evaluación— para este repositorio. Esto no impide abrir una bifurcación bajo Apache-2.0; solo significa que no debe presentarse como un proceso de contribución oficialmente documentado.

Cómo lo recibió la comunidad

• El hilo de Hacker News 46688173, enviado por grainier, enlazó el repositorio el 20 de enero de 2026 y tenía 125 puntos y 65 comentarios. swyx calificó el README de útil, pero objetó que, al no publicar los pesos, la influencia efectiva de cada rasgo seguía siendo poco visible y lo describió como una caja negra; esa es su valoración, no una auditoría independiente.
• En el mismo hilo, nailer señaló que la licencia Apache cumple la definición de software libre; es una observación concreta sobre la licencia, no una garantía de que todo el sistema de producción esté disponible.
• big_toast, en una discusión posterior, consideró importantes las señales de interacción —por ejemplo, clic, tiempo de lectura y «no me interesa»— y preguntó cómo podrían capturarse en otros ecosistemas de recomendaciones. La objeción apunta a la dependencia práctica de datos de comportamiento que una demostración externa no posee.
• El anuncio oficial de @Engineering también recibió una respuesta de @quasimondo que preguntaba por los pesos reales usados al puntuar una publicación. La publicación fuente es promocional; la réplica solo acredita esa pregunta concreta, no un consenso.

Se intentaron Reddit, Product Hunt, Dev.to, X, YouTube y búsqueda de pódcast. Reddit devolvió un bloqueo 403 y Product Hunt otro 403, por lo que no se infiere ausencia de cobertura. La búsqueda de X sí permitió recuperar el anuncio oficial. En Dev.to y en la búsqueda de pódcast no se recuperó una mención exacta del repositorio. No se halló una reseña de Hashnode verificable durante esta ejecución.

X For You Feed Algorithm frente a otras propuestas

Propuesta	Coincidencia verificable	Diferencia verificable
twitter/the-algorithm	Ambos publican componentes del recomendador de X y explican la cronología «Para ti».	El repositorio anterior expone una cartera amplia de servicios y modelos; x-algorithm presenta Phoenix, una tubería de demostración y la recuperación más clasificación con transformador.
xai-org/grok-1	Phoenix declara que adapta su implementación de transformador.	Grok-1 es la liberación del modelo de lenguaje; Phoenix añade entradas de recomendación, recuperación de dos torres y máscara de aislamiento de candidatas.

No se añadieron comparadores ajenos sin recuperar documentación que demostrara una relación técnica concreta.

Guía rápida de uso

Instalación y primer arranque

La parte ejecutable publicada es la demostración Phoenix, no el servicio completo de X. Instale uv y, desde phoenix/, ejecute:

uv sync
unzip artifacts/oss-phoenix-artifacts.zip -d artifacts/
uv run run_pipeline.py --artifacts_dir artifacts/oss-phoenix-artifacts

El archivo oss-phoenix-artifacts.zip se obtiene de phoenix/artifacts/ mediante Git LFS. La primera ejecución carga los puntos de control de recuperación y clasificación, usa el historial de ejemplo y muestra la lista ordenada con probabilidades por acción.

Flujos de trabajo habituales

1. Ejecutar el ejemplo completo: el comando anterior recupera las 200 publicaciones más relevantes de un corpus deportivo de unas 537.000 publicaciones y las reclasifica.
2. Cambiar el historial simulado: edite phoenix/example_sequence.json; cada elemento requiere post_id, author_id y actions.
3. Recuperar más candidatas: use --top_k_retrieval 500 antes de clasificar.
4. Mostrar más resultados: use --top_k_display 50.
5. Comprobar los modelos de ejemplo: ejecute uv run pytest test_recsys_model.py test_recsys_retrieval_model.py.

Configuración esencial

• artifacts/oss-phoenix-artifacts/retrieval/config.json: parámetros del modelo y de las funciones de hash para recuperación.
• artifacts/oss-phoenix-artifacts/ranker/config.json: configuración del clasificador y de la cabeza de acciones.
• example_sequence.json: historial de interacción sintético que alimenta la demostración.
• --artifacts_dir: ruta al directorio extraído de artefactos.
• --top_k_retrieval y --top_k_display: profundidad de recuperación y cantidad de resultados impresos.

Trampas frecuentes y soluciones

• No es una instalación del feed de X: no espere conectarse a cuentas o a la producción; el corpus es deportivo, cubre una ventana de seis horas y el punto de control es congelado.
• Faltan archivos de modelo: el ZIP está gestionado con Git LFS y debe descomprimirse bajo phoenix/artifacts/ antes de ejecutar la tubería.
• Coste de almacenamiento: las tablas de incrustaciones de recuperación y clasificación ocupan aproximadamente 1,4 GB cada una; reserve espacio antes de descargar los artefactos.
• La puntuación no explica los pesos de producción: el proyecto muestra probabilidades por acción y una combinación ponderada, pero la crítica comunitaria observó que los pesos reales no están publicados.

Integraciones y migración

El README no documenta integración con editores, CI, servidores MCP, mensajería ni una migración automatizada desde twitter/the-algorithm. La integración verificable es conceptual y de código: Phoenix adapta la implementación de transformador de xai-org/grok-1; el proyecto previo de X sirve como antecedente arquitectónico, no como una ruta de migración publicada.

Casos de uso y a quién puede ayudar este repositorio

• Ingeniería de recomendadores: ofrece una referencia concreta para estudiar la separación recuperación → clasificación, las probabilidades multiactividad y una tubería de candidatas componible.
• Investigación y docencia de sistemas de aprendizaje automático: la demostración Phoenix permite modificar un historial sintético, variar el número de candidatas y observar probabilidades sobre un corpus delimitado, sin afirmar que reproduzca la producción.
• Equipos que diseñan señales de producto: los filtros, la diversidad de autores y las acciones negativas documentadas permiten discutir qué información necesitaría un recomendador y qué políticas se aplicarían antes y después de puntuar.
• Auditoría técnica de transparencia: el código revela estructura y decisiones de diseño, pero la ausencia de pesos publicados y la reducción de escala son límites explícitos que deben mantenerse al evaluar la transparencia conseguida.

Recursos

• Repositorio: https://github.com/xai-org/x-algorithm
• Documentación e instalación: https://github.com/xai-org/x-algorithm/tree/main/phoenix
• Repositorio antecedente: https://github.com/twitter/the-algorithm
• Lanzamiento oficial en X: https://x.com/Engineering/status/2013471689087086804
• Conversación en Hacker News: https://news.ycombinator.com/item?id=46688173
• Vídeo tutorial: https://www.youtube.com/watch?v=rR-00bN2cmk — «How X (Twitter) For You Feed Works: X Algorithm System Design Explained», canal Debug with Dheeraj, duración aproximada de 20 minutos y 40 segundos.

---

Nota: este artículo combina documentación y API de GitHub, una publicación oficial de X, Hacker News y un vídeo recuperados el 10 de agosto de 2026. Las métricas cambian con el tiempo.