틱톡은 정말 폰 안에서 당신을 읽을까: '리버스 엔지니어링' 릴스 검증과 실제 추천 아키텍처
"폰 안에 AI 모델이 31개 있고, 4번 빠르게 넘기면 집중력을 잃었다고 본다." 31과 4는 릴스 주장이다. 공개 디컴파일과 대조하면 일부 코드는 실제로 있지만, 그 코드가 무엇을 보내고 어떻게 쓰이는지는 증명되지 않았다. 공식 설명, 뉴욕타임스가 보도한 사내 문서 Algo 101의 랭킹 식, ByteDance의 Monolith 논문을 기준으로 추천 파이프라인을 정리하고 토이 코드로 돌려 본다.
2026-11-04 KST 기준으로 확인했다. 출발점은 @ayoships(Ayo Omolewa)의 X 글 "I reverse engineered tiktok"이다. 게시 시각은 2026-11-04 01:10 KST(UTC 2026-11-03 16:10)다. 릴스로 퍼진 주장의 원본으로 확인한 게시물이며, 화면과 캡션은 옮기지 않고 링크만 남긴다. 저장소·설명 글·코드 덤프 같은 1차 자료는 없다. ayoships.com에는 Block Blast와 Tinder 분석만 있고
/tiktok은 404다. 답글에서 GitHub 링크를 요청했지만 답이 없었다. 아래 판정은 독립된 공개 디컴파일 akitaonrails/tiktok_analysis(TikTok Android 46.0.1, jadx), 공식 설명, 논문, 선행 연구를 기준으로 했다. 그 디컴파일은 한 앱 버전의 정적 분석이다. 보여 주는 것은 그 버전에 코드가 있다는 사실이다. 그 코드가 켜져 있는지, 어떤 값이 서버로 가는지는 이 분석의 범위 밖에 있다.
먼저 결론
코드가 앱 안에 있다는 것과, 그 값이 실제로 수집되어 추천에 쓰인다는 것은 다르다. TikTok Android 46.0.1의 정적 분석은 온디바이스 ML 서비스 코드가 여러 개 있다는 데까지 이른다. 릴스가 말한 모델 개수 31개, 변수 개수 58개, 영상 4개를 각 2초 이하로 6초 안에 넘기면 집중력을 잃었다고 본다는 규칙은 확인되지 않았다. 31, 58, 4회·2초·6초는 릴스 주장이다.
무엇을 보여 줄지는 공식 설명과 ByteDance 논문이 서버 쪽 파이프라인으로 적는다. 순서는 후보 생성, 멀티태스크 랭킹, 유사도·다양성 재랭크, 규칙이다. 랭킹 점수의 공개된 단순 형태는 뉴욕타임스가 사내 문서 'Algo 101'을 보도한 식이다. Plike X Vlike + Pcomment X Vcomment + Eplaytime X Vplaytime + Pplay X Vplay. 문서 자신은 이 식을 "highly simplified"라고 부른다.
확인된 범위에서 폰 안의 모델은 프리로드, 프리렌더, CDN 선택, 재생시간 예측 같은 성능 작업과 맥락 특성 쪽에 가깝다. 온디바이스 모델이 '다음에 무엇을 보여줄지'를 결정한다는 말은 공개 근거와 맞지 않는다. 이 말은 과장이다.
이 글의 토이는 그 공개된 골격을 표준 라이브러리만으로 줄인 것이다. 집중력을 잃었다는 휴리스틱은 릴스 주장을 보여주는 그림이다. TikTok 코드가 아니다.
릴스가 주장한 것
원본은 위의 X 글이다. 화면은 요약하지 않고, 확인한 주장을 아홉 줄로만 적는다. 숫자는 릴스 주장이고, 이 글이 측정한 값이 아니다.
- 앱 안에 온디바이스 모델이 25개 이상 있고, 화면 카운터는 31이다. 25와 31은 릴스 주장이다.
- 행동 인식(HAR: 정지, 걷기, 누움, 차량) 확률을 피드 요청에 붙인다.
/aweme/v2/feed/요청에 배터리 잔량, 충전 여부, 화면 밝기, 음소거가 실린다.- 30초·1분·3분·10분·세션 단위의 재생·스킵 카운터 등 변수가 58개다. 58은 릴스 주장이다.
- 영상 4개를 각 2초 이하로, 6초 안에 넘기면 '집중력 잃음'으로 보고 긴급 배치를 밀어 준다. 거론된 이름은
live_pull_lost_focus_video_feed다. 4, 2초, 6초는 릴스 주장이다. - 졸음·수면 상태를 감지한다. 거론된 이름은
SmartIdleDetectionServiceImpl,enhance_drowsy,sleep_state다. - 다음 앱 실행 시점을 예측해 백그라운드에서 미리 깨운다(keep-warm).
- 보내지 않은 입력 텍스트까지 수집한다. 거론된 경로는
im/typing_recommendation이다. - 이 온디바이스 모델들이 사용자를 계속 스크롤하게 만드는 결정을 한다.
ayoships.com에서 확인한 글은 Block Blast와 Tinder 분석뿐이고, TikTok 글은 없다. @marce_ding의 답글은 v46.0.1 디컴파일과 대조하며 "Fields in code aren't proof they're live"라고 적는다.
검증 방법
판정은 네 종류의 자료를 겹친 것이다.
- 공개 디컴파일. akitaonrails/tiktok_analysis가 TikTok Android 46.0.1을 jadx로 정적 분석한 결과다. 한 버전, 한 종류의 분석이다. 바이너리에 코드가 있다는 뜻이다. 그 빌드에서 기본으로 켜져 있다는 뜻도, 피드 요청 본문에 실린다는 뜻도 아니다.
- 공식 설명. TikTok Newsroom(2020), Safety의 Recommendation system, Help Center의 How TikTok recommends content.
- 논문과 보도. 뉴욕타임스가 보도한 Algo 101(원문 페이지는 봇 접근에 403이라 문구는 Gizmodo 인용으로 대조했다), Monolith, Streaming VQ, RankMixer, LONGER, HLLM, YouTube DNN, Kuaishou, EdgeRec.
- 프라이버시 선행 연구. Citizen Lab(2021), Internet 2.0을 다룬 2022년 보도, West et al., Felix Krause의 인앱 브라우저 조사.
표의 기준은 세 가지다.
| 판정 | 의미 |
|---|---|
| 코드 확인 | 독립 자료로 코드나 기능이 존재함까지 확인됨 |
| 미확인 | 그럴듯하지만, 확인한 범위에서는 쓰임이 닫히지 않음 |
| 과장 | 공개 근거와 맞지 않거나, 근거가 더 좁은 사실보다 넓게 말함 |
주장별 판정
| # | 릴스 주장 | 판정 | 근거 |
|---|---|---|---|
| 1 | 온디바이스 모델이 25개 이상이고, 화면 카운터는 31이다. 25와 31은 릴스 주장이다 | 다수 존재는 코드 확인. 개수 31은 미확인 | ml/api·ml/impl에 HAR, Idle, OHR, Playtime, Prerender, CDN, FeedLoadMore, FeedAdUI 서비스가 있다. 선행 연구도 TikTok 온디바이스 비전 모델이 나이·성별을 추정한다고 확인했다(arXiv 2403.19717, ACM TOSEM). 개수 31은 확인되지 않았다 |
| 2 | HAR(정지·걷기·누움·차량) 확률을 피드 요청에 붙인다 | HAR 코드는 확인. 피드 요청에 실린다는 말은 미확인 | ISmartHARService, SmartHARExperiment(har_android, smart_har_ml, opt_sensor_register, skip_count 등)이 있다. 확인한 범위에서 har_predict 문자열과 피드 요청 필드는 찾지 못했다 |
| 3 | /aweme/v2/feed/에 배터리 %, 충전 여부, 화면 밝기, 음소거가 실린다 | 미확인 | 이 엔드포인트는 공식 문서에 없다. 서드파티 역공학 문서 crawlora에만 나온다. libmetasec_ov.so가 배터리 상태와 화면 크기를 모아 서명·모니터링에 쓴다는 정적 분석은 있다. 공식 설명은 기기·계정 설정을 낮은 가중치의 신호로 인정한다. 피드 요청 안의 정확한 필드는 확인되지 않았다 |
| 4 | 30초·1분·3분·10분·세션 단위 재생·스킵 카운터 등 변수가 58개다. 58은 릴스 주장이다 | 미확인 | 스킵과 완주는 공식 예측 대상이다(Safety 페이지: skip, finish). 윈도별 카운터는 업계에서 흔한 실시간 특성이다. 개수 58과 필드명은 확인되지 않았다 |
| 5 | 영상 4개를 각 2초 이하로 6초 안에 넘기면 집중력을 잃었다고 보고 live_pull_lost_focus_video_feed로 긴급 배치를 민다. 4, 2초, 6초는 릴스 주장이다 | 미확인 | 이 규칙 이름과 숫자는 확인한 디컴파일 범위에 없다. 서버가 내려 주는 설정이라면 APK에 없는 것이 자연스럽다. Citizen Lab도 기능이 서버 설정값으로 켜지고 꺼진다고 관찰했다. 빠른 스킵을 이탈 신호로 보고 탐색 배치를 섞는 것은 업계에서 흔한 휴리스틱이다 |
| 6 | 졸음·수면 상태를 감지한다 (SmartIdleDetectionServiceImpl, enhance_drowsy, sleep_state) | 코드는 확인. 용도는 미확인 | SmartIdleDetectionConfig에 enhance_drowsy_confirm_count, idle_gap_threshold_seconds=3600, polling_interval_seconds=600, feedback_suppress_*가 있다. sleep_state 문자열은 찾지 못했다. 추천에 쓰이는지는 확인되지 않았다. 피드백 억제나 성능 목적일 수도 있다 |
| 7 | 다음 실행 시점을 예측해 미리 깨운다 (keep-warm) | 코드는 확인. 예측과의 연결은 미확인 | KeepWarmJobService(Keva 저장소 perf_job_keep_warm, schedule_mode)가 있다. 성능을 위한 작업이다. app_start_predict 문자열과의 연결은 확인하지 못했다 |
| 8 | 보내지 않은 입력 텍스트까지 수집한다 (im/typing_recommendation) | 과장 | TypingRecommendationApi.getTypingRecommendation(raw_keyword, is_search, to_userid, chat_type, …, sticker_ab_json, effect_ab_json)가 있다. 파라미터로 보면 입력 중 스티커·GIF 추천 API다. 입력을 서버로 보내 추천을 받는 설계는 흔하다. 감시 목적 수집이라는 주장의 근거는 없다. 별개 사례로, 2022년 iOS 인앱 브라우저가 keypress/keydown을 구독한 일이 있다. TikTok은 디버깅용이라고 해명했다 |
| 9 | 이 온디바이스 모델들이 계속 스크롤하게 만드는 결정을 한다 | 과장 | 공식 설명과 Monolith, Streaming VQ 논문은 후보 생성과 랭킹이 서버 쪽 대규모 모델에서 일어난다고 말한다. 클라이언트 ML은 대부분 프리로드, 프리렌더, CDN 선택, 재생시간 예측 같은 성능·맥락 특성 쪽이다. 온디바이스 재랭킹은 업계에 공개된 사례가 있다(Kuaishou, Alibaba EdgeRec). TikTok이 이를 쓴다는 공개 근거는 없다 |
틱톡이 직접 밝힌 추천 단계
2020년 Newsroom 설명이 적은 추천 신호는 세 갈래다. 사용자 상호작용, 영상 정보(캡션, 사운드, 해시태그), 기기·계정 설정이다. 기기·계정 설정의 가중치는 낮다. 긴 영상을 끝까지 보는 것은 강한 신호다. 팔로워 수와 과거 인기 영상은 직접 요인이 아니다. 같은 사운드나 같은 크리에이터의 영상이 연속으로 나오지 않게 하고, 다양성 영상을 끼워 넣는다.
Safety 페이지는 단계를 다섯으로 적는다.
- Selecting. 모더레이션을 통과한 큰 풀에서 영상을 고른다.
- Prediction. 좋아요, 공유, 댓글, 스킵 등의 확률을 합쳐 prediction score로 만든다.
- Ranking. 그 점수로 순서를 매긴다.
- Similarity check. 예를 들어 같은 사운드면 교체한다.
- Recommendation rules. 예를 들어 지역 크리에이터를 고려하고, 16세 미만 크리에이터는 제외한다.
같은 페이지가 적은 예측 대상은 like, share, comment, Not Interested, follow와 프로필 방문, finish, skip, favorite, 일정 시간 시청, 사운드 탭이다. 비슷한 사용자의 공동 참여라는 협업 신호도 쓴다.
이 다섯 단계는 TikTok이 자기 제품에 대해 공개한 설명이다. 아래 Douyin 논문의 단계 이름과 한 줄로 섞지 않는다.
'Algo 101' 공식 읽기
2021-12-05 뉴욕타임스에 Ben Smith의 How TikTok Reads Your Mind가 실렸다. 확인일 기준 그 페이지는 봇 접근에 403이었고, 문구는 다음 날 Gizmodo 기사 Leaked TikTok doc의 인용으로 대조했다. 식의 출처는 뉴욕타임스 보도다.
보도된 식은 이렇다.
Plike X Vlike + Pcomment X Vcomment + Eplaytime X Vplaytime + Pplay X Vplay
문서에 따르면 이 식은 "highly simplified"이고, 실제 식은 훨씬 복잡하지만 논리는 같다. 궁극 목표는 DAU를 늘리는 것이고, 최적화하는 지표는 retention과 time spent다. TikTok 대변인은 문서가 진짜라고 확인했다. 대상은 비기술직 직원용 문서다.
이 문단은 해석이다. 식의 글자만 보면 P는 예측 확률, E는 기대 시청 시간, V는 가치 가중치로 읽는 것이 자연스럽다. 그 읽기는 문서가 용어를 그렇게 정의했다고 확인한 문장이 아니다. 가중치의 실제 숫자는 보도에 없다. 아래 토이의 1.0, 2.0, 0.05, 0.5는 이 글을 위해 임의로 정한 값이다.
실제 아키텍처: 후보 생성부터 재랭크까지
이 블로그의 마크다운 렌더러는 mermaid를 그림으로 그리지 않는다. 펜스는 코드 블록으로 남는다. 그래서 구조는 텍스트와 표로 적는다. 아래 그림은 공식 설명과 논문의 단계를 한자리에 모은 재구성이다. TikTok이 배포한 설계도가 아니다.
앱 ── 재생·스킵·완주·좋아요 ──► 이벤트 로그
│
│ 온디바이스 ML 코드 (v46.0.1 정적 분석에서 이름이 확인된 것)
│ 프리로드 · 프리렌더 · CDN · 재생시간 예측 · HAR · Idle
│ 이 출력이 피드 요청의 필드인지는 미확인
│
└── 피드 요청 ──► 서버
① 후보 생성
② 프리랭크
③ 멀티태스크 랭킹 Σ P×V
④ 재랭크 (유사도·다양성)
⑤ 규칙
└──► 배치 응답 ──► For You
학습 루프 (Monolith 논문의 구조)
이벤트 ──► Kafka(행동) ─┐
특성 ──► Kafka(특성) ─┴─► Flink online joiner ─► 온라인 학습
│ 바뀐 sparse 키, 분 단위
▼
서빙 중인 랭킹 모델
늦은 행동 ──► 디스크 KV
같은 예제 ──► HDFS 배치 학습
| 단계 | 공개 자료가 말하는 일 | 출처와 범위 |
|---|---|---|
| ① 후보 생성 | 모더레이션을 통과한 풀에서 후보를 고른다. Douyin 논문은 리트리버가 수십억 개 아이템에서 수천 개를 고르고, 그런 리트리버가 수백 개 배포돼 있다고 적는다 | TikTok Safety의 Selecting. 수백 개·수십억·수천은 Streaming VQ가 Douyin·Douyin Lite에 대해 적은 수치 |
| ② 프리랭크 | 뒤 단계가 후보를 약 10배씩 줄인다 | Streaming VQ, Douyin. TikTok 공식 5단계의 이름에는 이 단어가 없다 |
| ③ 랭킹 | like, comment, playtime, skip 등의 예측을 가중해 prediction score를 만든다 | Safety의 Prediction·Ranking. 식의 단순형은 뉴욕타임스가 보도한 Algo 101 |
| ④ 재랭크 | 같은 사운드면 바꾸고, 같은 크리에이터나 같은 사운드가 연속되지 않게 하며, 다양성 영상을 끼운다 | Safety의 Similarity check. Newsroom 2020 |
| ⑤ 규칙 | 지역 크리에이터를 고려하고, 16세 미만 크리에이터는 제외하는 식의 규칙 | Safety의 Recommendation rules |
Streaming VQ는 Douyin의 캐스케이드를 retrieval → pre-ranking → ranking으로 적는다. HNSW 인덱스를 다시 짓는 데 1.5~2시간이 걸렸고, 스트리밍 VQ는 인덱스를 실시간으로 갱신한다. 논문은 Douyin과 Douyin Lite의 주요 리트리버를 이 방식으로 대체했다고 말한다. 이 수치는 그 논문의 수치다. 국제판 TikTok 앱의 리트리버 개수라고 확인한 값은 아니다.
같은 계열의 논문으로, RankMixer는 Douyin 피드에 쓰인 대형 랭킹 모델이라고 설명한다. 구성안은 수치를 초록 기준으로만 인용하라고 했으나, 확인 노트에 초록의 수치가 없어 이 글은 숫자를 인용하지 않는다. LONGER는 초장기 사용자 행동 시퀀스 모델이고, HLLM은 아이템과 사용자를 LLM으로 계층 모델링한다. 두 논문의 수치도 확인 노트에 없어 인용하지 않는다.
일반형 기준선은 YouTube DNN(Covington 2016)의 후보 생성 → 랭킹 2단계다.
Monolith: 분 단위로 배우는 추천 모델
Monolith는 ByteDance 논문이다. RecSys 2022 ORSUM 워크숍에 실렸다. 코드는 bytedance/monolith이고 TensorFlow 기반이다. 2026-11-04 기준 저장소는 archived 상태이고 별은 약 9.3K다. 논문이 곧 국제판 TikTok 앱의 배포 증명서는 아니다. 아래 수치는 논문이 보고한 값이다.
임베딩 테이블은 해시 충돌이 없게 두고, 구현은 Cuckoo HashMap이다. 등장 빈도 필터와 확률 필터가 ID를 들일지 정한다. 오래 안 쓰인 ID의 임베딩은 만료시킨다.
실시간 학습은 큐 두 개로 시작한다. 사용자 행동 Kafka와 특성 Kafka를 Flink online joiner가 요청 키로 합친다. 늦게 도착한 행동은 on-disk KV 저장소에 둔다. 학습 예제는 온라인 학습이나 HDFS 배치 학습으로 간다. 네거티브 샘플링 뒤에는 log-odds로 보정한다.
파라미터 동기화는 희소 키와 밀집 파라미터를 나눈다. 바뀐 sparse 키만 분 단위로 보내고, dense 파라미터는 일 단위로 보낸다. PS 스냅샷은 하루 한 번이다. PS 장애율은 하루 0.01% 수준이라, 논문은 신뢰성 일부를 내주고 신선도를 얻는다고 적는다.
Criteo에서 동기화 간격별 AUC는 다음과 같다.
| 동기화 간격 | AUC |
|---|---|
| 5시간 | 79.66 |
| 1시간 | 79.78 |
| 30분 | 79.80 |
실서비스 광고 A/B에서는 온라인 학습이 배치 학습보다 AUC가 14~18% 높았다고 논문이 보고한다.
폰 안의 모델은 무엇을 하나
v46.0.1 정적 분석에서 이름이 확인된 클라이언트 ML은 HAR, Idle, OHR, Playtime, Prerender, CDN, FeedLoadMore, FeedAdUI다. 이름만 보면 하는 일은 센서 문맥, 재생시간 예측, 미리 그리기, CDN 선택, 다음 페이지를 당기는 시점 같은 성능·맥락 쪽이다. 이름이 곧 피드 요청의 필드는 아니다. 주장 2와 3에서 그 연결은 미확인으로 남았다.
온디바이스에서 순서를 다시 매기는 설계 자체는 업계에 있다. Kuaishou의 온디바이스 재랭킹과 Alibaba EdgeRec이 공개된 사례다. 두 논문의 수치는 확인 노트에 없어 여기 적지 않는다. TikTok이 같은 재랭킹을 쓴다는 공개 자료는 이 확인에서 찾지 못했다. 그래서 주장 9는 과장이다.
Idle과 keep-warm도 같은 결이다. SmartIdleDetectionConfig의 필드(enhance_drowsy_confirm_count, 3600초 idle gap, 600초 polling, feedback_suppress_*)는 코드에 있다. sleep_state 문자열은 없다. 이 설정이 추천 점수를 바꾸는지는 확인되지 않았고, 피드백을 억제하거나 성능을 위한 설정일 수 있다. KeepWarmJobService는 성능 작업으로 있고, app_start_predict와의 연결은 확인되지 않았다.
토이 예제로 돌려 보기
스크립트는 tiktok-recsys-toy.py다. 표준 라이브러리만 쓰고, random.Random(42)로 고정했다. 2026-11-04에 Python 3.12.3으로 두 번 실행한 출력이 바이트 단위로 같았다. 아래에 그 출력을 그대로 옮긴다.
토이가 하는 일은 다섯 가지다.
- 리트리버 세 개(관심사, 인기, 탐색)의 합집합으로 후보를 만든다. 카탈로그는 영상 60개다.
- Algo 101 형태의 점수를 매긴다.
Plike*1.0 + Pcomment*2.0 + Eplaytime*0.05 + Pplay*0.5. 식의 모양은 뉴욕타임스가 보도한 식이고, 네 가중치는 임의로 정했다. - 같은 크리에이터나 같은 토픽이 연속으로 나오지 않게 재랭크한다.
- 피드백마다 사용자 상태를 바로 갱신한다. 시청 비율이 40%를 넘으면 그 토픽 가중치를 올리고, 아니면 내린다. Monolith의 온라인 학습을 한 줄로 줄인 것이다. Monolith 코드가 아니다.
LOST_FOCUS_RULE = {play_num: 4, max_duration_per_play: 2.0, total_time_window: 6.0}. 4, 2초, 6초는 릴스 주장이다. 스크립트는 그 주장을 재현한다. TikTok 코드가 아니다. 6초 창은 마지막 4개 시청 시간의 합으로 해석했다. 벽시계 6초가 아니다.
파일 안의 주석은 이 숫자를 확인되지 않은 릴스에서 가져왔다고 적고, 가중치와 모델이 만들어진 값이라고 적는다. 별도의 인스타그램 URL은 확인한 출처 목록에 없다. 원본으로 연결할 수 있는 게시물은 위의 X 글이다.
[stage1] retrieved 24 candidates from 60 videos
[batch 1] ranked by Plike*1.0 + Pcomment*2.0 + Eplaytime*0.05 + Pplay*0.5, then re-ranked
v25 dev c2 Plike=0.50 Pcomment=0.18 Eplay= 36.8s Pplay=0.88 score=3.139
v24 cooking c6 Plike=0.40 Pcomment=0.13 Eplay= 33.8s Pplay=0.83 score=2.765
v33 dev c1 Plike=0.58 Pcomment=0.24 Eplay= 19.0s Pplay=0.91 score=2.468
v16 cooking c4 Plike=0.45 Pcomment=0.16 Eplay= 6.3s Pplay=0.86 score=1.508
v13 comedy c10 Plike=0.28 Pcomment=0.08 Eplay= 9.6s Pplay=0.75 score=1.298
v06 pets c0 Plike=0.18 Pcomment=0.05 Eplay= 7.5s Pplay=0.62 score=0.962
t= 36.8s watched v25 for 36.8s lost_focus=False
t= 70.6s watched v24 for 33.8s lost_focus=False
t= 71.8s watched v33 for 1.2s lost_focus=False
t= 73.6s watched v16 for 1.8s lost_focus=False
t= 74.6s watched v13 for 1.0s lost_focus=False
t= 76.1s watched v06 for 1.5s lost_focus=True
[trigger] {'play_num': 4, 'max_duration_per_play': 2.0, 'total_time_window': 6.0} matched -> push exploration batch (12 candidates, max 1 per topic)
[batch 2] exploration / diversity batch (ranked by score + exploration bonus)
v23 news c11 Plike=0.09 Pcomment=0.02 Eplay= 14.3s Pplay=0.44 score=1.074 +explore=2.109
v18 fitness c10 Plike=0.10 Pcomment=0.02 Eplay= 15.1s Pplay=0.46 score=1.135 +explore=2.033
v20 travel c6 Plike=0.13 Pcomment=0.03 Eplay= 8.6s Pplay=0.52 score=0.880 +explore=1.630
v37 comedy c4 Plike=0.15 Pcomment=0.04 Eplay= 6.6s Pplay=0.56 score=0.836 +explore=1.511
v14 pets c3 Plike=0.13 Pcomment=0.03 Eplay= 3.2s Pplay=0.52 score=0.614 +explore=1.472
topics: ['comedy', 'fitness', 'news', 'pets', 'travel']
[user state after session] {'cooking': 1.25, 'dev': 1.52, 'fitness': -0.4, 'music': 0.2, 'travel': 0.0, 'comedy': 0.2, 'pets': -0.29, 'news': -0.8}
읽는 법은 이렇다. 출력의 t=는 누적 시청 시간이다. 릴스 주장의 6초 창이 아니다.
1배치는 관심 토픽인 dev와 cooking이 위로 온다. 재랭크가 같은 토픽을 연속으로 두지 않아 dev와 cooking이 번갈아 나온다.
3번째부터 6번째까지는 스크립트가 1.2초, 1.8초, 1.0초, 1.5초로 넘기도록 정해 두었다. 네 값 모두 2초 이하고, 합은 5.5초다. 5.5는 6 이하다. 4, 2초, 6초는 릴스 주장이고, 토이는 그 규칙의 합 해석으로 여기서 발동한다. 로그의 lost_focus=True는 여섯 번째 영상, 곧 네 번째 빠른 스킵에서 켜진다.
2배치는 탐색 보너스 때문에 평소 점수가 낮은 news, fitness, travel이 올라온다. 인쇄된 영상은 5개이고 토픽도 5개다. comedy, fitness, news, pets, travel이 하나씩이다. 코드는 최대 6개를 요청하지만, 토픽당 1개 제약 안에서 채워진 결과가 이 5개다.
사용자 상태의 처음 값은 cooking 1.2, dev 1.5, comedy 0.3, pets −0.2다. 실행 뒤 comedy는 0.2, pets는 −0.29다. 이 두 토픽은 빠른 스킵으로만 나왔다. cooking은 1.25, dev는 1.52로 올랐다. seed 42 카탈로그에서 v25와 v24의 길이는 45초이고, 시청은 36.8초와 33.8초라 40%를 넘는다. 같은 토픽의 뒤 스킵(v33 dev 1.2초, v16 cooking 1.8초)은 40%를 넘지 못한다. 이 실행에서는 긴 시청의 증가가 더 크다.
TikTok만의 것 vs 업계 공통
이 절은 해석이다. 앞 절의 사실과 분리한다.
짧은 영상은 피드백이 촘촘하다. 영상 하나에 수 초가 걸리고, 스킵이나 완주가 곧바로 라벨이 될 수 있다. Monolith가 적은 분 단위 온라인 학습과 충돌 없는 임베딩은, 그 밀도를 학습에 바로 반영하는 설계로 읽힌다. 팔로워 수가 직접 요인이 아니라는 공식 설명과 겹쳐 보면, 팔로우 그래프보다 콘텐츠 반응이 중심인 추천으로 읽을 수 있다. 다양성과 지역 규칙을 명시적인 후처리로 둔다는 점도 공식 단계에 적혀 있다. 이 문단은 그 논문과 공식 설명을 나란히 놓은 읽기이고, 국제판 앱이 Monolith 저장소를 그대로 실행한다는 확인은 아니다.
나머지 골격은 업계 공통에 가깝다. 후보 생성 다음 프리랭크, 멀티태스크 랭킹, 재랭크다. 확률에 가중치를 곱해 더하는 점수도 흔하다. 다양성 제약, ANN이나 VQ 인덱스도 흔하다. YouTube, Kuaishou, Meta가 같은 뼈대를 쓴다. 같은 사이트의 HackerTube 글은 시청 시간이 아니라, 추천이 있었던 달의 수로 점수를 만드는 다른 공개 설계를 확인한다. 골격이 비슷해도 최적화하는 대상은 시스템마다 다르다.
릴스의 핵심 문장, 곧 폰이 사용자를 읽는다는 말은 일부만 맞다. 클라이언트는 맥락 신호를 모으고 성능 쪽 예측을 하는 코드를 갖고 있다. 무엇을 보여 줄지를 정하는 무거운 계산은 서버 모델이 한다고 공식 설명과 논문이 말한다. 둘을 한 문장으로 섞으면 걱정이 근거보다 커진다.
집중력을 잃었다는 규칙이 실제로 있다면, 이 글의 해석은 이렇다. 연속된 빠른 스킵을 세션 이탈 위험으로 보고, 다음 배치의 탐색 비중을 올리는 서버 설정형 휴리스틱이다. 기술적으로 단순하고, 업계에서 흔한 대응과도 맞다. 숫자 4, 2초, 6초는 릴스 주장이고 확인되지 않았다.
프라이버시 관점에서 무엇을 걱정해야 하나
사실부터 적는다.
Citizen Lab(2021)은 TikTok의 수집이 다른 플랫폼과 비슷한 수준이고, 명백히 악의적인 수집은 관찰되지 않았다고 보고한다. 동시에, 기능이 서버 설정값으로 켜지고 꺼진다고 관찰했다. 앱 바이너리만 읽는 것으로 동작이 닫히지 않는 이유다.
Internet 2.0(2022)은 과도한 수집을 주장했고 TikTok은 반박했다. 원문 URL은 404라서 Guardian 보도와 Infosecurity Magazine 보도로 대신 확인했다. 이 글은 그 주장을 사실로 채택하지 않는다. 주장과 반박이 있었다는 사실만 적는다.
West et al.은 TikTok의 온디바이스 카메라 모델이 나이와 성별을 추정하고, 아동의 나이를 과대 추정한다고 보고한다. 나이·성별 추정을 확인한 선행 연구로는 같은 논문과 ACM TOSEM의 On-device Models in iOS Apps가 있다. ACM 페이지는 확인일에 403이었다.
Felix Krause(2022-08-18)는 iOS 인앱 브라우저가 keypress/keydown을 구독했다고 보고했다. TikTok은 디버깅용이라고 해명했다. 이 사례는 주장 8의 입력 중 스티커 추천 API와 다른 사건이다.
이 문단은 해석이다. 걱정할 자리와 걱정이 과장되는 자리는 나뉜다. 서버 설정으로 기능이 바뀌므로, APK에 문자열이 없다는 것만으로 수집이 없다고 닫히지는 않는다. 나이·성별을 추정하는 온디바이스 비전 모델은 릴스의 31개 모델 주장과 별개로, 논문이 측정한 동작이다. 31은 릴스 주장이다. 반대로, 성능용 프리로드 코드와 서버 랭킹을 한 문장으로 묶어 '폰이 스크롤을 설계한다'고 말하면 확인된 범위보다 넓다. 입력 중 스티커 추천은 그 자체로 감시 수집의 증거가 아니다.
출처
2026-11-04에 접속해 확인했다. 별도 표시가 없으면 HTTP 200이다.
원본 주장
- @ayoships, "I reverse engineered tiktok". 2026-11-04 01:10 KST. 화면과 캡션은 옮기지 않았다.
- @marce_ding 답글. v46.0.1 디컴파일 대조. "Fields in code aren't proof they're live".
- ayoships.com, Block Blast 분석. TikTok 글은 없고
/tiktok은 404.
독립 검증
- akitaonrails/tiktok_analysis. TikTok Android 46.0.1, jadx 정적 분석.
- crawlora, TikTok Mobile Feed POST. 서드파티 역공학 문서.
/aweme/v2/feed/는 여기에만 나온다.
공식
- TikTok Newsroom, How TikTok recommends videos #ForYou (2020).
- TikTok Safety, Recommendation system. WebFetch는 타임아웃이었고 curl로는 200.
- TikTok Help, How TikTok recommends content.
보도
- 뉴욕타임스, How TikTok Reads Your Mind (2021-12-05). 봇 접근에 403. 문구는 아래 Gizmodo 인용으로 확인했다. Algo 101 식의 출처는 이 보도다.
- Gizmodo, Leaked TikTok doc (2021-12-06).
논문·코드
- Monolith, arXiv 2209.07663. bytedance/monolith. 2026-11-04 기준 archived, 별 약 9.3K.
- Streaming VQ, arXiv 2501.08695. RankMixer, arXiv 2507.15551. LONGER, arXiv 2505.04421. HLLM, arXiv 2409.12740.
- YouTube DNN, Covington 2016. Kuaishou 온디바이스 재랭킹, arXiv 2208.09577. EdgeRec, arXiv 2005.08416.
프라이버시
- Citizen Lab, TikTok vs Douyin (2021).
- Felix Krause, InAppBrowser.com (2022-08-18).
- West et al., A Picture is Worth 500 Labels, arXiv 2403.19717. ACM TOSEM, On-device Models in iOS Apps. ACM 페이지는 403.
- Guardian (2022-07-19). Infosecurity Magazine. Internet 2.0 원문 URL은 404라서 보도로 대체했다.
토이
- tiktok-recsys-toy.py. 2026-11-04, Python 3.12.3, seed 42. 두 번 실행한 출력이 같았고, 본문에 그 출력을 인용했다. 4·2초·6초 규칙은 릴스 주장의 재현이다.