脆的推薦演算法怎麼運作？從 26 年 10 月 Meta 的論文找最新答案

上週有人在脆上發文找一位高一就轉學去美國、失聯二十多年的同學。

發文的帳號只有 101 個粉絲，貼文拿到 39 萬次觀看，一天後，對方的國小同學在留言說：我把這篇轉給他了。

我看了四則，找失聯同學、找遊戲網友、找 20 年前的店長、找錢包的主人，四個人都找到了，最慢的隔天。

「脆很會找人」這句話流傳很廣，但是沒有人說得出為什麼。

1 月我拆過 X 公開的推薦演算法，X 有原始碼可以逐行指出來；脆沒有。

這次我換個方法，把 Meta 的論文、系統說明、專利、財報，和同一家公司的 Instagram、Facebook 放在一起比，看能不能把這個現象講清楚。先講結論：脆的設計，讓陌生人在回覆串裡相遇。

下面用三個論證說明，每個論證都拆成兩個漏斗來看。

先講結論：脆的設計，讓陌生人在回覆串裡相遇。下面用三個論證說明，每個論證都拆成兩個漏斗來看。

兩個漏斗與六種證據

先講兩個漏斗

第一個漏斗是平台的。一則貼文從被寫出來，到出現在某個人的動態上，要經過收集候選、讀取訊號、預測反應、排序四步。Meta 為脆、Instagram、Facebook 寫的官方系統說明（Meta 叫它「系統卡」），都是這四步。

第二個漏斗是讀者的。一個陌生人看到你的貼文，要先停下來，再點進你的個人檔案，最後按下追蹤，或者像找人那幾則，傳私訊、@ 一個朋友。

平台漏斗決定誰看得到你，讀者漏斗決定看到之後會發生什麼。同一家公司的三個產品，這兩個漏斗長得不一樣。

證據從哪裡來，各能證明什麼

脆沒有開源，所以每個說法都要標清楚出處。這篇用到六種證據，能證明的東西不一樣：

系統卡。Meta 透明度中心為每個排序系統寫的說明，列出流程、預測項目和部分輸入訊號。這是官方說法，脆的那張最新一版是 2025 年 3 月。它能證明「這個訊號存在」，證明不了權重。

論文。Meta 工程師在 arXiv 與學術會議發表的論文。大多講 Instagram，少數在文中點名脆。

財報。每一季的電話會議逐字稿，祖克柏和財務長會講脆的推薦往哪裡走。

專利。Meta 申請過大量推薦相關的專利。專利能證明 Meta 想過某種做法，不能證明產品在用，下面「解惑」會講一個實例。

原始碼。只有 X 有。拿來對照「把權重寫死」和「權重一直調」兩種設計。

觀察。四則找人貼文，加上我在自己的「為你推薦」動態抽樣 83 則。觀察只能看方向，樣本很小。

三個論證

論證一：陌生人看得到你

平台漏斗：脆把追蹤和推薦放在同一套系統裡排。

Facebook 和 Instagram 的動態，各有兩張系統卡。

Facebook 動態的系統卡（2026 年 10 月更新）寫，候選內容來自「您的朋友、您追蹤的粉絲專頁和您加入的社團」，先用輕量模型挑出約 500 則再排序。推薦給你的陌生內容，由另一套系統負責，另有一張「動態消息推薦」的卡，候選是「部分公開內容」，包括你沒追蹤的粉專與社團。

Instagram 一樣。動態的卡（2026 年 6 月更新）寫，候選是「您追蹤帳號的所有潛在貼文」，挑出約 700 則、排序約 500 則；推薦內容另一張卡負責。

脆只有一張卡。候選內容寫的是「Threads 上的部分公開內容，以及您追蹤的帳號發佈的所有內容」，兩種內容進同一套系統，系統卡還寫明「AI 系統會交替呈現您追蹤帳號的內容和推薦內容」。

在 Facebook 和 Instagram，陌生人的貼文是從另一條管線補進來的；在脆，陌生人的貼文跟你朋友的貼文排在同一張表上，用同一組預測比分數。我的推論是，這讓一個粉絲很少的帳號，有機會被大量陌生人看到。開頭那位發文者只有 101 個粉絲，拿到 39 萬次觀看，幾乎全部來自推薦。

《天下雜誌》2026 年 10 月 14 日出刊的專題，請剛離開 Meta 的產品經理葉庭均、前脆演算法工程師施裕耕協助拆解。報導的結論是，脆跟臉書這類演算法最大的不同，在於推薦不再以人際連結為主，改以內容為主。葉庭均拿抖音比：抖音留得住人，是因為演算法看重內容跟興趣的相關性，能突破原本的交友圈；脆也一樣，不管有沒有追蹤，系統判斷你會有興趣，就推給你。前員工的轉述，跟上面三張系統卡的差別對得上。

有一個反證要一起講。2024 年 11 月，Instagram 負責人 Mosseri 宣布脆要減少推薦、多放追蹤對象的貼文，2025 年 1 月的財報也說要讓人看到更多追蹤對象。所以脆推給陌生人的比例，這兩年是往下調的。調完之後，結構仍然是同一張表。

讀者漏斗：在 Facebook 和 Instagram，被找到要靠關係；在脆，靠內容。

Facebook「你可能認識的朋友」的系統卡寫，候選是「您現有 Facebook 朋友的朋友，或您所加入社團的用戶」。Instagram「建議帳號」的候選是「用戶已追蹤帳號的粉絲、用戶所在地區的熱門帳號，或用戶最近所互動主題和商品的相關帳號」，預測裡用到的訊號有共同朋友人數、對方有沒有追蹤你、兩人距離遠近。

兩家的找人功能，都是沿著社交關係找。脆沒有公開「建議帳號」的系統卡，陌生人認識你，多半是在動態上先看到你的貼文。

論證二：陌生人在回覆串裡相遇

平台漏斗：脆的回覆會離開原本的串。

Meta 給脆創作者的官方頁寫：「Replies account for almost half of the views on Threads」，脆將近一半的觀看來自回覆。同一頁也寫：「Replies help other people in that conversation discover your profile」，回覆會讓同一串的人發現你。

脆的系統卡在預測「你會不會回覆」時，參考的訊號之一，是這則貼文的回覆串在過去 1 小時、6 小時有多少互動。回覆串熱不熱，本身就是排序的材料。

再看回覆會被送到哪裡。我在自己的「為你推薦」動態抽了 83 則，其中 5 則是「A 的貼文，加上 B 的回覆」綁在一起出現，5 位回覆者裡有 4 位我沒追蹤。陌生人寫的回覆，連同原文，一起被推到我面前。樣本很小，只能看方向。

Facebook 和 Instagram 的留言區，排法完全以你為中心。兩家的留言系統卡都寫，最上面先放你自己的留言、你朋友的留言，以及作者或置頂的留言；其他留言再依「與貼文的相關性」和「在所有瀏覽者之間的熱門程度」打分。Facebook 甚至在排序前先做隱私檢查，確認你看不看得到留言者。Instagram 預測的是你會不會檢舉，「較不可能被檢舉的留言排序越高」。

脆沒有公開留言排序的系統卡，回覆串怎麼排，官方沒寫。能確定的是，在 Facebook 和 Instagram，留言是待在貼文底下、照你的朋友圈排好的；在脆，回覆會被拿出來，推給沒看過原文的人。

學術研究看到的是這件事的結果。義大利一個團隊 2025 年發表的論文，抓了歐盟脆上 4.5 萬個帳號之間 7.2 萬條回覆關係。整張網是連通的，任兩個人平均只隔 4.54 步，互相回覆的人很少屬於同一個朋友圈。論文的解讀是，脆上的人依內容互動，不看對方的影響力。

讀者漏斗：最後一步是人走的。

脆的系統卡預測「點作者的個人檔案」和「點作者檔案後再看另一則」。Instagram 動態預測的是看完貼文後「在該作者的個人檔案上花費多少時間」。Facebook 動態的卡沒有列個人檔案相關的預測，它看的是你跟朋友、社團的互動。三家都沒有在動態的系統卡裡列出「追蹤」這個預測；系統卡寫的是「幾項重要預測」，沒列不代表沒有。

回到找人的四則貼文。平台把它們送到幾千到幾十萬個陌生人面前，找到人的最後一步，都發生在演算法外面：

（2026 年 10 月 28 日讀取）

有人在留言 @ 朋友，每一次 @ 都是一則通知，直接送到一個特定的人手上。有人按分享，用私訊轉出去。四則都寫了認得出的細節，名字、學校、地名、店名、年份，陌生人看了沒感覺，認識的人會停下來。

觀看數差了 50 倍，為什麼都找得到？粗略算一下：台灣 2,300 萬人，假設每個人認識約 500 人，觀看隨機分布。39 萬次觀看，目標的熟人裡至少一個看到的機率接近 100%；2.8 萬次約 46%；8,268 次約 16%。觀看會重複算到同一個人，實際更低。觀看少的那兩則還是找到了，靠的是細節和留言區的 @，把隨機的曝光變成有方向的轉傳。

同一個結構也有另一面。同一期《天下》分析了三起社會事件的 2,384 則貼文、41,171 則留言，標題寫「炎上、肉搜」。施裕耕的說法是，過去的社群媒體容易待在同溫層，留言多半友善，就算罵對手，也只在立場相近的人之間流通；脆會把異溫層的貼文推到你面前，對立的反應很容易被引出來。

兩人也都強調，演算法沒有「愈憤怒愈容易紅」這種設計目標；但爭議內容留言多，留言又引發更多互動，因此拿到更多推薦。葉庭均說，內容四平八穩、挑不出毛病，大家看了覺得還好就滑過去，演算法反而容易忽略，所以確實有人用更極端、更負面的寫法換擴散。《天下》的資料也看得到這件事：剴剴案裡，對立貼文的互動中位數是非對立的 1.34 倍，毒油案是 2.24 倍；女大生撞女警案是例外，緬懷女警的溫暖貼文也拿到大量互動。這份資料是用新帳號搜尋關鍵字、依「最相關」排序蒐集的，代表的是搜尋看得到的貼文。

平台也有煞車。報導整理的流程裡有一步叫「負面訊號排序」：系統會預測你留下負面留言、被貼文作者封鎖的可能性，據此降低這類貼文對你的推薦順位。施裕耕說，脆要留住使用者，演算法已經在試著降低負面發言的排序。

施裕耕打了個比方：以前在社群上發言，像在自己家裡講話，聽的多半是熟人；在脆上，不管發文還是留言，都要想像自己站在台北車站，拿著大麥克風對所有人講。施裕耕覺得，意識到這一點的人，按下發布前也許會多想三、四秒。

善意的時候，這張網幫人找到失聯的同學；敵意的時候，同一張網讓一個人被找到。

論證三：配對靠興趣，不靠熟

平台漏斗：三家看的訊號不一樣。

Facebook 動態的系統卡，預測項目寫滿了朋友。預測你會不會滑過一則貼文，訊號有「朋友發佈的貼文在瀏覽的貼文總數中所佔的百分比」、「過去 7 天內，您快速捲動滑過同一位朋友貼文的次數」；預測你會不會跟朋友或社團互動，訊號有「依據您的朋友與類似內容互動的情形」。

脆的系統卡沒有一條提到朋友。跟人有關的訊號只有一條，「瀏覽者對作者貼文按讚的頻率」。其餘是你在脆上的行為：過去一週的瀏覽時間、按讚數、回覆數，以及「您與類似帳號、內容或興趣互動的情況」。有一條訊號跟地區有關：預測你會不會點開貼文時，參考同一個國家或地區的人過去一週點這則貼文的次數。官方創作者頁再補一句，「為你推薦」參考的是你「在 Threads 和 Instagram」兩邊的互動。

Instagram 介在兩者中間。動態本身只排你追蹤的人，推薦那張卡看的是「您與類似內容或興趣互動的情況」，建議帳號那張卡看的是共同朋友。

論文：脆借用了 Instagram 對你的了解。

KDD 2025 的論文〈DV365〉講 Instagram 怎麼把一個人最多 7 萬筆的行為紀錄，壓成一組代表長期興趣的向量。論文寫它用在「Instagram 和 Threads 共 15 個生產模型」，還說它幫脆這類新事業起步。脆判斷一個陌生人會不會喜歡你的貼文，用得上他在 Instagram 累積的興趣。

2025 年 7 月的財報說，脆在推薦系統用了大型語言模型，排序帶來的使用時間增幅，有「meaningful share」來自它。系統能讀懂一則貼文在講什麼，再去配對讀過類似內容的人。

10 月的論文：多一項「對這個人特別有感」。

2026 年 10 月 20 日，26 位 Meta 作者在 arXiv 上傳〈Baseline and Incremental〉，講 Instagram 動態的打分方式。每則候選貼文的分數，是各種預測機率乘上權重再加總：分數 ＝ Σ 權重 × 預測機率。權重「tuned against a few north-star metrics by online Bayesian optimisation」，由線上實驗對幾個核心指標持續調整。

論文的主題是「去偏」。每個預測都混了兩塊：本來就會發生的反應（這個人平常就愛按讚、這則貼文本來就紅），和這則貼文對這個人多帶來的反應。論文主張原本的預測照算，多出來的那塊另外加一項、給自己的權重。第 8 節寫：「Threads has launched debiased signals in late-stage ranking」，脆的晚期排序已經上線。

這一項獎勵的，是讓某個人的反應比平常更好的貼文。對脆來說，配對又往「對這個人特別有感」推了一步。

前員工補上的一塊：系統會故意推一點「不太一樣的」。

系統卡沒寫、但葉庭均在《天下》講到的一條規則是「多樣化」。只照既有偏好推，內容會愈來愈像，讓人膩；所以以內容為主的推薦系統，常會刻意放進一些跟原本興趣有關、但不完全一樣的內容。葉庭均舉的例子是，一個比較支持綠營的人，系統不一定只推民進黨相關的內容，也可能推一些跟政治有關、但不屬於任何一個陣營的議題。配對靠興趣，但興趣的邊緣會被系統往外推一點。我的推論是，異溫層有一部分是從這裡進來的。

讀者漏斗：配對的終點是一小群人。

把三層疊起來：系統用 Instagram 的長期興趣認識讀者，用大型語言模型讀懂貼文，再加一項獎勵「特別對味」。錢包那則寫了高雄和大港開唱的票，最後被持票的人看到，跟這個方向一致，但這只是一個例子。系統會不會把找人文推給「認識當事人的人」，沒有任何公開文件這樣寫。系統配對的是興趣和地區，認不認識，要靠讀者自己。

解惑與給自己的實驗

解惑：七個常見說法

「發文後前 30 分鐘決定生死」

脆系統卡裡的時間窗是 15 分鐘、1 小時、6 小時、一天、一週、一個月、28 天、84 天，沒有一個門檻寫著 30 分鐘。財報確實說 2025 年要「prioritize more recent posts」，新貼文有優勢。判定：新貼文有優勢，「30 分鐘」查不到出處。

「回覆的權重是按讚的好幾倍」

脆沒有公開權重。唯一公開權重的是 X。2023 年推特開源時：

scored_tweets_model_weight_fav: 0.5
scored_tweets_model_weight_reply: 13.5
scored_tweets_model_weight_reply_engaged_by_author: 75.0
scored_tweets_model_weight_report: -369.0

（twitter/the-algorithm-ml，projects/home/recap/README.md，節錄）

2026 年 10 月 24 日的版本：

param!(FavoriteWeight, f64, "rust_home_mixer_favorite_weight", 0.66);
param!(ReplyWeight, f64, "rust_home_mixer_reply_weight", 5.0);
param!(ReportWeight, f64, "rust_home_mixer_report_weight", -234.0);

（xai-org/x-algorithm，home-mixer/params/param.rs，節錄）

回覆從按讚的 27 倍降到 7.6 倍，三年改了一輪。X 在程式碼旁邊還寫了註解：權重乘的是「你」做這個動作的預測機率，貼文實際收到幾次不算進去。Meta 的權重由線上實驗一直調。判定：回覆很重要有官方背書（將近一半的觀看），「幾倍」在脆沒有固定答案。

「互讚圈的數字會被打折」

10 月那篇論文主張保留原本的預測，原文寫「a broadly loved post deserves reach」，大家都喜歡的貼文本來就該被看見。去偏是多加一項。判定：查不到「打折」的根據。

「去偏會讓熱門話題更熱」

熱門貼文原本的分數照算，新加那一項只在「這個人比一般讀者更有感」時才是正的。一則很紅的貼文對普通讀者，這一項約等於零。會讓熱點更熱的，是系統卡裡另外兩個訊號：同地區的點擊數、回覆串的近期熱度；前員工說的「留言引發更多互動，因此拿到更多推薦」，也是同一條路。另一頭有煞車，系統會預測負面留言與封鎖，降低推薦。判定：去偏本身不讓熱點更熱，讓熱點更熱的是留言。

「放連結觸及少三到五成」

脆的系統卡沒有任何一條跟連結有關的訊號或預測。Facebook 動態的卡反而有一項預測是「用戶點擊將用戶導向 Facebook 以外網站之連結的可能性」，外連是被預測的行為之一。判定：「三到五成」查不到出處，連結對你帳號的影響，用下面的實驗自己測。

「這份專利就是脆的演算法」

網路上有文章用 Meta 的專利推論脆怎麼推文。我把其中引用的六份專利逐一查了：

六份都比脆早出生，脆是 2023 年上線。三份已失效、放棄或撤回，兩組講的是搜尋，不是動態。專利能告訴你 Meta 的工程師想過什麼，要證明脆在用，得找到點名脆的文件，像前面兩篇論文。判定：專利只算線索。

「脆找人很快」

現象是真的，原因在論證一到三：陌生人看得到你、陌生人在回覆串裡相遇、配對靠興趣。最後一步，是讀者 @ 朋友、按分享。判定：演算法把貼文送到很多陌生人面前，找到人的是人。

給自己的實驗

上面每個論證都停在「方向」，因為 Meta 不公開權重。你的帳號適用多少，只能自己測。下面四個實驗，各對應一個論證或一個傳說。

先講共同的規則。一次只改一件事，其他照舊。每則貼文先決定它的任務：要曝光的看觀看與分享，要對話的看回覆，要追蹤的看追蹤增量，要導流的看連結點擊。觀看數在發文後幾天內還會往上修，貼文滿 7 天再記。帳號的追蹤數每天在同一個時間記一次。當天有大事件、被大帳號轉發，在表上註記，不要拿來比。

實驗一：留言對發文（論證二）

假設：把一部分發文的時間拿去別人的串下留言，帶來的追蹤比多發一篇多。

做法：前兩週照平常發文；後兩週每天少發一篇，改成在同領域的貼文下寫 5 則有資訊的回覆，補一個案例、一個反例、一個做法。

看：兩段期間的帳號總觀看、每天的追蹤增量。

坑：追蹤增量每天常常只有個位數，兩週一段看得出方向，下不了結論。要的話各延長到四週。

實驗二：第一句寫清楚主題（論證三）

假設：第一句直接講主題，系統比較容易配到對的人。

做法：同一個主題，交替用兩種開頭，一種第一句就講主題，一種先放場景再講主題。各發 10 則以上。

看：兩組貼文 7 天觀看的中位數、回覆數。用中位數，不用平均，一則爆文會把平均拉走。

坑：主題本身熱不熱會蓋掉開頭的差別，兩組的主題要輪流排。

實驗三：寫給一小群人，對比追熱門話題（論證三）

假設：讓一小群人特別有感的貼文，回覆比例比追熱門話題高。

做法：一組寫給特定一群人的具體問題，一組搭當週的熱門話題。各 8 則以上。

看：每 1,000 次觀看帶來幾則回覆、幾個追蹤。熱門話題觀看多是正常的，比的是比例。

坑：熱門話題組的觀看會高很多，只看觀看會下錯結論。

實驗四：連結放正文，對比放留言（解惑）

假設：連結放正文會降低觸及。

做法：同類型的貼文，交替把連結放在正文和第一則留言。各 6 則以上。連結加上追蹤參數，例如 ?utm_source=threads&utm_content=body 和 utm_content=reply，才分得出點擊從哪裡來。

看：7 天觀看中位數，以及連結的點擊數。

坑：觸及少一點、點擊多一點，可能更划算。先想清楚這則貼文的任務是曝光還是導流。

紀錄表的欄位：日期、時段、實驗組別、主題、第一句、有沒有連結、7 天觀看、回覆、分享、當天追蹤增量、備註。

還不知道的事。脆的回覆串怎麼排，沒有系統卡。權重沒有公開，而且一直在調。大型語言模型用在哪一層，Meta 只說「用了」。脆有沒有「建議帳號」這種沿著關係找人的系統，也沒有公開。這篇拼出來的，是 Meta 寫在紙上的部分；你的帳號適用多少，要回到你自己的數字。

讀完記得三件事

你的貼文跟朋友的貼文，排在同一張表上。 Facebook 和 Instagram 把陌生人的內容放在另一條管線，脆沒有分開。粉絲 101 人的帳號拿到 39 萬次觀看，靠的就是這一點。

你的回覆會離開原本的串。 在 Facebook 和 Instagram，留言待在貼文底下，先排你朋友的；在脆，一則陌生人的回覆可以連同原文，被推到另一個陌生人面前。發文前想一下台北車站。

系統配對的是興趣，找到人的是人。 演算法把找人的貼文送到幾十萬人面前，最後那一步，是一位國小同學按下分享。

我有一份電子報，寫我平常用 AI 做事的方法、用數字拆解台灣社會的想法，也會放自己的作品和課程。大約一週到一個月寄一次，不固定。想收的話，在這裡訂閱。

資料來源

Meta 官方

• Meta 透明度中心系統卡（2026-10-28 讀取）：
  • Threads 動態消息（2025-03-07）
  • Facebook 動態消息（2026-10-06）
  • Facebook 動態消息推薦（2026-06-24）
  • Facebook 動態消息留言排序
  • Facebook 你可能認識的朋友
  • Instagram 動態消息（2026-06-29）
  • Instagram 動態消息推薦（2026-06-29）
  • Instagram 留言（2026-04-03）
  • Instagram 建議帳號
• Meta 給脆創作者的官方頁
• Meta 財報電話會議逐字稿：2024Q4、2025Q2（investor.atmeta.com）

論文

• arXiv 2610.27423〈Baseline and Incremental: User, Item, and Request Debiasing in Instagram Feed Ranking〉（2026-10-20），第 1、8 節
• arXiv 2506.00450〈DV365: Extremely Long User History Modeling at Instagram〉（KDD 2025）
• Bonifazi 等（2025）〈Defining, Detecting, and Characterizing Power Users in Threads〉，Big Data Cogn. Comput. 9(3):69，表 1

媒體

• 《天下雜誌》2026-10-14 出刊，專題〈民主「脆」化 對立台灣〉，頁 60 到 67；網頁版〈獨家解析4萬脆文〉：cw.com.tw/graphics/taiwan-polarization-2026/
• TechCrunch（2024-11-21）：Mosseri 宣布脆減少推薦、增加追蹤對象

原始碼與專利

• X 2023：github.com/twitter/the-algorithm-ml；X 2026：github.com/xai-org/x-algorithm（2026-10-24 版）
• Google Patents：US10579688B2、US20190095961A1、US10558714B2、US9582786B2、EP2977948A1、US10268763B2

觀察

• 找人案例：脆上四則公開貼文（主題標籤「找人就問脆」「找人就用脆」，含一則撿到錢包），2026-10-28 讀取
• 「為你推薦」抽樣：作者本人的動態，2026-10-28 抽樣 83 則