X의 2026년 5월 알고리즘 업데이트 분석: 휴리스틱 제거와 Grok-1 도입
I spent 3 hours analyzing the new X algorithm source code. They ripped out all heuristics, replaced them with a Grok-1 transformer, and are using conditional Chain-of-Thought for real-time moderation.
핵심 요약
X가 기존 휴리스틱을 폐기하고 Grok-1 기반 LLM과 VLM을 알고리즘 핵심으로 도입한 기술적 변화를 분석함.
- 휴리스틱 폐기 — 수동 가중치 대신 Grok-1 트랜스포머를 사용해 사용자 상호작용 확률을 예측함.
- VLM 기반 모더레이션 — Grox라는 파이썬 데몬이 모든 게시물을 비전 언어 모델로 실시간 검사함.
- 구조화된 출력 강제 — Assistant Prefill 기법으로 JSON 출력을 강제하여 모더레이션 신뢰도를 높임.
- 조건부 사고 과정 — 모호한 콘텐츠에 대해 'Deluxe Mode'를 활성화하여 LLM이 스스로 판단하게 함.
X가 2026년 5월 알고리즘 업데이트를 오픈소스로 공개했습니다. 이번 아키텍처는 2023년 릴리스와는 완전히 다른 방향으로 나아갔습니다. 저는 200개가 넘는 Rust 및 Python 파일을 몇 시간 동안 샅샅이 파헤쳐 보았고, 이 서브레딧 분들이 그들이 어떻게 전통적인 ML 인프라와 함께 LLM을 프로덕션 환경에서 오케스트레이션하고 있는지 흥미롭게 보실 것 같아 공유합니다.
1. 휴리스틱의 종말과 Grok-1 트랜스포머 가장 큰 아키텍처 변화는 수동으로 설계된 모든 기능을 제거했다는 점입니다. 팔로워 수, 계정 생성일, 과거 참여율에 대한 수동 가중치는 더 이상 없습니다. 대신 핵심 랭킹 계층은 전적으로 Grok-1 트랜스포머에 의해 구동됩니다. 사용자의 과거 상호작용 시퀀스를 입력받아 19가지 행동(좋아요, 답글, 지속적인 체류 시간, 플랫폼 외부 공유 등)에 대한 확률을 예측합니다.
2. "Grox"와 VLM 콘텐츠 모더레이션 Rust 백엔드가 피드 서빙을 담당하는 동안, 그들은 Kafka 스트림에서 지속적으로 데이터를 가져오는 Grox라는 독립적인 비동기 Python 데몬을 구축했습니다. 이 데몬은 모든 게시물이 생성될 때마다 비전 언어 모델(VLM)을 실행합니다. 규칙 기반 키워드 필터 대신, LLM-as-a-judge 패턴을 사용하여 7가지 안전 정책에 따라 게시물을 평가합니다.
3. Assistant Prefill을 통한 구조화된 출력 강제 대규모 모더레이션의 신뢰성을 보장하기 위해 단순히 표준 JSON 모드 API에만 의존하지 않습니다. 대신, 정확히 <json>을 포함하는 Assistant 메시지를 명시적으로 추가하는 대화 객체를 구성합니다. 이는 Grok 비전 언어 모델이 즉시 JSON 페이로드를 생성하도록 강제하여 대화형 군더더기를 완전히 제거합니다.
4. 조건부 사고 과정 ("Deluxe Mode") 단순 분류(명백한 스팸 등)에는 매우 결정론적인 프롬프트(온도 0.000001)를 사용합니다. 하지만 모호한 정책(폭력적인 미디어와 교육용 뉴스 영상을 구분하는 경우 등)에 대해서는 코드에서 "Deluxe Mode"라고 부르는 시스템을 호출합니다. 이는 _strip_thinking_restrictions()라는 함수를 조건부로 호출하여 시스템 프롬프트를 변경하고, LLM이 <think> 블록을 출력하도록 허용합니다. 이를 통해 최종 JSON 결정을 내리기 전에 이미지/영상의 맥락을 스스로 토론하게 만듭니다.
5. "Slop Score" 분류기 그들은 LLM을 적극적으로 활용하여 저품질 AI 생성 콘텐츠를 탐지하고 있습니다. 특정 VLM 프롬프트가 텍스트 형식과 어휘를 평가하여 slop_score를 할당합니다. 만약 AI가 전형적인 LLM 구문을 탐지하면, 해당 게시물의 알고리즘 도달 범위는 하위 단계에서 크게 제한됩니다.
저는 전체 요청 수명 주기, 점수 산정 공식, 프롬프트 엔지니어링 파이프라인을 일련의 마크다운 챕터로 문서화하여 원본 저장소보다 읽기 쉽게 정리했습니다.
실제 프롬프트가 구성되는 Python 파일을 파헤쳐보고 싶거나, 게시물 랭킹에 사용되는 정확한 수학적 승수를 확인하고 싶으신 분들을 위해 전체 기술 분석 내용을 여기에 정리해 두었습니다:
