이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
작성자는 X가 공개한 랭킹 코드와 출력 스키마를 바탕으로 Claude를 사용해 누락된 심사 계층을 에뮬레이트하고 이후 Qwen 3.5 4B 기반의 로컬 그레이더인 XViral을 구축해 게시물의 바이럴 가능성을 사전 채점할 수 있음을 보였다. 구현은 출력 스키마를 기준으로 Claude로 중간 출력을 생성하고 이를 로컬 시뮬레이터에 입력해 최종 점수를 계산하는 프롬프트 루프 형태로 작동했으며 실제 X API와 대조해 약 90%의 일치율을 보고했다. 소스 코드 분석 결과 slop_score 같은 멀티모달 중간 지표와 신고·뮤트 같은 음수 피드백의 가중치가 매우 크게 설정되어 있어 소수의 부정적 신호가 노출을 급격히 억제한다고 명시했다. 또한 영상은 길이 임계치가 있어 짧은 영상이 자동으로 높은 참여도를 받는다는 통념은 생략된 규칙 구조 때문에 성립하지 않으며 관련 코드와 시뮬레이션은 깃허브에 오픈라이선스로 공개되어 있다.
섹션별 상세
작성자는 X의 공개된 랭킹 코드와 체크포인트를 기반으로 Claude를 이용해 누락된 심사 계층을 에뮬레이트하고, 이후 Qwen 3.5 4B로 재구성한 그레이더를 로컬에 구현해 테스트했다. 구현 흐름은 공개된 출력 스키마를 입력으로 삼아 Claude로 심사 출력 예시를 생성하고 그 결과를 Qwen 기반 로컬 파이프라인에 주입해 최종 점수를 산출하는 방식이었다. 저자는 실제 X API에 결과를 대조해 약 90%의 일치율을 확보했다고 보고했고 이 수치는 소스 코드에 공개된 일부 가중치와 사용자의 게시물 이력 누락이라는 한계를 명시적으로 고려한 것이다. 해당 작업은 게시물 초안을 알고리즘 적용 전에 자동으로 평가하는 목적을 갖고 로컬에서 재현 가능한 시뮬레이션 환경을 제공한다.
원문은 Grok 심사 계층이 출력 스키마를 남겼으나 정확한 프롬프트 텍스트는 공개하지 않아 Claude로 해당 계층을 흉내내는 접근을 취했다고 주장했다. 작동 방식은 출력 스키마의 필드 예시를 기준으로 Claude에 동일한 형식의 응답을 생성하게 하고, 그 응답을 입력으로 받아 로컬 시뮬레이터가 랭킹 점수와 억제 여부를 계산하는 프롬프트 루프를 반복하는 구조였다. 이 방법으로 slop_score나 low-follower 스팸 패턴 같은 중간 지표를 포착해 최종 등급에 반영할 수 있었다고 기술했다. 출력 스키마를 기준으로 에뮬레이션을 설계하면 공개되지 않은 내부 프롬프트를 직접 알지 못하더라도 비슷한 입출력 동작을 재현할 수 있다.
원문은 음수 지표의 가중치가 매우 크다는 사실을 구체적 수치와 함께 제시했으며, 예컨대 단일 신고(report)가 좋아요 한 건의 기여치에 비해 훨씬 큰 음수 영향(-369 대 +0.5)으로 반영된다고 밝혔다. 이 수치는 랭킹 로직에서 부정적 상호작용이 단순한 저하를 넘어 적극적인 억제(Suppression)를 일으킨다는 작동 원리를 직접적으로 드러낸다. 실무적 의미는 소수의 부정적 신호가 전체 노출을 급격히 감소시켜, 사용자 경험 최적화를 목표로 하는 정책이나 콘텐츠 전략이 부정적 반응을 최소화하는 방향으로 재설계되어야 한다는 점이다.
비디오 관련 메커니즘에 관해서는 영상 길이에 임계치(floor)가 존재해 특정 길이 미만의 영상은 참여도 점수를 전혀 받지 못한다는 점을 보고했다. 이로 인해 시장에서 자주 회자되는 '비디오는 10배 도달' 같은 일반화된 규칙은 실제 생산 코드와 가중치 구조를 보면 사실이 아니라고 결론지었다. 구현상 영상 참여도 헤드는 길이 기반으로 가중치 문턱을 두어 짧은 영상에 대해서는 별도의 가중치가 적용되지 않도록 설계되어 있음을 확인했다고 밝혔다. 결과적으로 크리에이터들은 영상 포맷 선택 시 단순한 통계적 속설에 의존하기보다 플랫폼의 구체적 평가 기준을 고려해야 한다.
용어 해설
- 비전·언어 심사기(Vision-Language Judge)
- — 이미지와 텍스트를 결합해 게시물의 시각적·문맥적 품질을 판정하는 평가 계층으로, 입력 이미지와 텍스트를 임베딩한 뒤 규정된 출력 스키마에 맞춰 quality_score와 slop_score 같은 정량적 지표를 산출한다. 이 계층은 텍스트만으로 판단하기 어려운 멀티모달 요소를 수치화해 하류 랭킹 점수에 반영하므로 게시물 바이럴 가능성 판단에 직접적인 영향을 준다.
- 출력 스키마(Output Schema)
- — 모델 또는 심사 계층이 반환해야 할 필드와 자료형을 정의한 구조화된 템플릿으로, 원문에서는 Grok 심사기의 프롬프트 본문은 공개되지 않았지만 출력 스키마가 남아 있어 이를 기준으로 에뮬레이션이 가능했다는 점이 핵심이다. 출력 스키마는 에뮬레이션 정확도와 자동 검증 로직 구현에 필수적이다.
- 프롬프트 루프 에뮬레이션(Prompt Loop Emulation)
- — 실제 서비스에서 사용하는 일련의 프롬프트 호출과 응답 흐름을 로컬 LLM이나 CLI로 반복 재현해 중간 출력과 최종 판정을 동일한 순서로 얻는 방법으로, 원문에서는 Claude와 로컬 모델을 이용해 Grok 심사 계층의 입출력 루프를 모사해 핵심 메트릭을 재현했다. 이 방식은 공개되지 않은 프롬프트 본문을 대체할 수단으로 활용된다.
언급된 리소스
GitHubXViral GitHub repository
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 07. 16.수집 2026. 07. 16.출처 타입 REDDIT
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
