TikTok 逆向分析：手机端有 25+ 个 AI 模型驱动推荐
有人把 TikTok 客户端逆向了，25+ 个模型、50+ 个用户状态变量都扒出来了，看完才知道推荐系统能卷到什么程度。
开发者 @ayoships 逆向了 TikTok 手机端，发现客户端内置 25+ 个 AI 模型用于判断内容留存。服务器会在视频播放前预先计算推荐分，预测用户跳过、看完、点赞、关注等行为概率。App 每次请求会携带陀螺仪、电量、屏幕亮度等 50+ 变量，连输入未发送的消息也会被采集。当模型预测用户可能流失时，会触发紧急批次请求重新拉视频，持续跳过则被标记为“失去专注”并推直播。文中还提到有模型预测下次打开 App 的时间以提前后台缓存，作者注明内容未经实测。
我去，这个 TikTok逆向有点意思，对推荐算法有了新认知！ 1. TikTok 手机端有 25+ 个 AI 模型。 用来判断什么内容能让用户持续刷下去。 2. 视频播放前已打好“推荐分” 服务器预先给每个视频计算“推荐分”，即预测用户“跳过、看完、点赞、打开评论、关注创作者” 的概率。 3. 实时采集用户状态（50+ 变量） 每次请求新一批视频时，App 会带： ① 陀螺仪/运动传感器，判断用户状态（走路、躺下、在车里） ② 电量、是否在充电、屏幕亮度、是否静音等 50+变量 甚至输入但没发送的消息也会被收集，因此吃中午饭和睡前躺床上刷的内容会不一样。 4. 用户可能流失时，模型会介入 ① 有一个模型如果预测到你会跳过其他已加载视频，手机就会请求“紧急批次” 视频来重新吸引你。 ② 如果扔持续跳过，TikTok 会标记为“失去专注”，最后手段是给你的信息流里推一条直播。 ③ 会根据你多久没摸屏幕、是否躺着判断你是否打瞌睡。 ④ 有模型预测你“下次打开 App 的时间”，以便提前后台启动、缓存视频做准备 内容来源于视频作者说法，未实测。 想想还挺追求极致的，比如预测下次打开提前缓存，牛逼！ 但也不是那么黑盒，一些方法是能想到。 Ayo O @ayoships I reverse engineered tiktok Your browser does not support the video tag. 🔗 View on Twitter 🔗 View Quoted Tweet 💬 7 🔄 5 ❤️ 13 👀 2684 📊 10 ⚡
