我想知道能不能训练一个模型，写出人们真正会点赞的 YouTube 评论。最直观的训练信号就是点赞数，而最近已经有工作这么做了：在点赞数前 10% 的评论上做微调，报告的互动量大约是用随机评论训练的模型的 3 倍。

接着我去看了点赞数究竟在衡量什么。一条在视频上线第一小时内发布的评论，看到它的人数比一周后发布的评论要多出好几个数量级，而 YouTube 的「热门评论」排序还会放大这一点，因为排得高会带来点赞，点赞又会让它排得更高。两条一模一样的评论，仅凭出现时间的差别就能相差三个数量级。

于是问题不再是「模型能不能写出好评论」，而变成了「点赞数里到底有没有关于评论本身的信息」。

用公开数据回答不了这个问题

两个大型公开 YouTube 评论语料 YT-30M 和 YTCommentVerse，合计约有 3200 万条评论。两者都给了 upvotes，但都没有给时间戳。

没有发布时间，你就无法把评论说了什么和它何时出现区分开。在这些语料上训练的每个模型，都在拟合那份先发优势，却完全看不见它。

所以我自己采集了一份带时间戳的语料：来自 34 个频道、633 个视频的 1,345,353 条顶层评论，包含发布时间、抓取时间、回复数、视频统计数据，以及 YouTube 自家算法给每条评论的排名。耗时三天，约 14,900 个 API 配额单位。

有一个决定比其他都重要。commentThreads.list 返回评论时是最新优先，因此任何按视频设置的翻页上限都会丢掉最早的评论，而那正是本研究关心的高曝光评论。所以每个视频都被完整枚举。体量太大、无法在当日配额内跑完的视频，一开始就被排除，并记入清单，而不是被悄悄截断。

曝光占了 83.5%

预测每条评论在自己所属视频内的点赞排名，这样就把视频层面的效应从训练信号里剔除了。然后逐项加入特征：先是曝光特征，再是长度与形态，接着是 20 万维 TF-IDF 特征，最后是 MiniLM 嵌入。按频道切分，绝不按评论切分，这样问的就是模型能否迁移到它从未见过的受众。

成分	超越随机水平的排序能力占比
曝光（发布时间、视频体量）	83.5%
长度与形态	8.4%
评论实际说了什么	8.2%

评论长度可以说算内容，而不算曝光。若这样计入，内容就升到 16.5%。无论如何曝光都是 83.5%，所以这个结论不取决于你把界线划在哪里。

让我下定论的数字是：一个 384 维的句子编码器相比词袋只带来 0.0015 的 AUC 提升。对词汇层面零结果的常见反驳是文本模型太弱，而一个完全不同的表示族落在了同一个位置。

整体上绝对可预测性很低。最好的模型 AUC 为 0.671，随机水平是 0.5。曝光大幅领先内容，而两者都比不过决定哪些评论会被点赞的其他因素。

这份数据集里的陷阱

两幅图是同一批评论、同一 y 轴。视频内的相对位置和视频上线时长都呈现同样的下滑。

我一开始把这个搞错了，你在动手处理数据之前应该先知道。

按评论发布得多晚来分桶，取每个桶的平均点赞数：

发布时视频已上线时长	<1h	1-6h	6-24h	1-7d	1-30d	>30d
平均点赞数	19.8	21.7	19.5	19.8	25.8	20.4

一条平线。完全没有出现时间效应。我还把它当成一个发现写了出来。

现在在完全相同的分桶上取 log1p(likes) 的均值：

发布时视频已上线时长	<1h	1-6h	6-24h	1-7d	1-30d	>30d
log1p(likes) 均值	0.764	0.387	0.230	0.181	0.163	0.129

下滑达 5.9 倍。这个效应一直都在。

82.1% 的评论零点赞，而点赞数最高的 1% 占据了全部点赞的 94.9%。在这样的分布上取组均值，得到的是关于该组离群值的统计量，而不是关于这一组的。一条爆火评论就决定了整个桶的平均值。

任何对这份语料做原始点赞数平均的汇总，都会在效应很大的地方报告出没有效应。

认定 3 倍的那个指标

此前的工作给生成评论打分的方式是：把它嵌入，从参考语料里取出 K 个最近邻，再对它们的点赞数求平均。我原以为这个指标可以靠「像不像」来钻空子：在高赞文本上训练，落到高赞文本附近，就能拿高分，不管人类会不会真的点赞。

我错了，而且错了两次。挑选真实的高赞评论并不能复现出 3 倍的比值（我得到 0.88 到 1.21）。生成 960 条评论、其中一半用高赞样例做少样本条件生成，也不行。

我反而发现这个统计量根本稳不住。在 K=5 时，均值之比显示条件生成让结果差了 3 倍，且置信区间不含 1.0。而在同样的 480 个样本上，中位数之比却显示好了 2 倍。三次运行中，同一个数字先是 138，然后 0.09，再是 0.25（按均值），按中位数则是 2.00。

同样的重尾，与我上面自己犯的错误是同一种失效模式。一个方向会随汇总方式翻转的指标撑不起 3 倍的论断，无论某个已发表数字是怎么得出来的。

它对自己所估计的东西也几乎追踪不上。对照真实点赞结果，它对评论的排序只有 Spearman 0.050。而一个只知道评论何时发布、视频有多大的模型，在同一批评论上得到 0.19。

如果你只是想让自己的评论被看见

把同样这些数字对准人而不是模型，它们就读成了一套策略。大致按影响大小排序：

要早。在同一个视频内，最早的那一成评论平均是最晚一成的 5.4 倍。按视频上线后的绝对时间看，第一小时内的评论是一个月后发布的评论的 5.9 倍。你能控制的其他任何因素都远不及它。

在大视频上抢早。视频体量会放大其他一切。在原始数据里，NileRed 一条上传视频下晚了六周发布的评论，仍然胜过 Computerphile 视频下第一小时内的评论。500 万播放视频下一条平庸的评论，表现好过 7 万播放视频下一条不错的评论。

评论首页才是真正的奖品。显示在上面的评论平均 419.5 个赞，其余全部只有 1.13。这是 373 倍的门槛，不是渐变的坡度，而且由于排序依赖早期点赞，买到入场券的正是第一小时。

挑频道。零点赞评论的占比从 Vox 的 52.8% 到 Davie504 的 90.7%。在你写下一个字之前，光是选在哪里评论，就能让你拿到任何点赞的概率差出近一倍。

在 Shorts 上要更快。那里的早发优势是 7.6 倍，长视频是 5.3 倍。

你写了什么大约只占 8%。它呈现的形态是短。评论平均长度随点赞上升，随后反转：100-999 赞档为 171 个字符，1000 赞以上降到 147。语料里的顶级评论是对某个具体瞬间的浓缩呼应，而不是展开的观察：

炼金术士最恨这一招

这段视频几乎全是灰度的

那句硬憋出来的「支持本地小店」把我笑到了

引用一个瞬间，压缩它，然后收住。

有两点重要的限制。所有评论中 82% 零点赞，而即便用上我构建的全部特征，模型的排序 AUC 也只有 0.671，所以这里面大部分是你控制不了的方差。另外我衡量的是什么能预测点赞，而不是什么导致点赞。时机效应大概率是因果的，因为它是机械性的曝光。而「短呼应」很容易只是别的因素的相关物。

诚实的总结是：取胜的策略主要靠调度安排，而不是写作。

由此得出的结论

以点赞数为目标去优化评论生成器，主要是在对着一只时钟做优化。在高赞评论上训练的模型，学到的是大视频下早期评论长什么样，而可归因于评论内容本身的部分大约只有 8%。

这并不意味着评论质量无法衡量。它意味着衡量必须先对曝光做条件控制，而在此之前没有任何公开数据集能让你这么做。我接下来想做的，正是我没能做到的那一块：在曝光固定的条件下让人来评分评论，这份语料让它成为可能，但它本身并不包含这些评分。

数据集已发布在 Hugging Face，采用 CC BY 4.0 许可；代码和冻结的总体清单在 GitHub；论文里有完整的特征阶梯、数据切分，以及我搞错的那些地方。