你打开短视频 App，平台有两个选择：把下一次曝光给已经很红、马上能带来广告收入的创作者，还是给一个尚未出头的人，让他积累粉丝，以后再通过订阅、打赏等方式赚钱。前者像收现钱，后者像做投资。难点是，今天多给谁一次流量，会改变明天谁更值得推荐。
Zhengli Wang、Lin (Franklin) Feng 和 Zhixi Wan 的论文，把这件事写成一个连续时间动态优化问题——平台持续调整流量，而每次调整都会影响此后的粉丝与收入。模型给出的答案并不是简单的“多扶新人”，而是一套更克制的长期收入策略：先判断谁值得培养，抓住特定创作者的增长窗口，也及时停止回报不足的投入。
下文的结论均来自这篇论文及其数值实验，尚无独立复现。它讨论的是特定模型中的最优策略，不代表现实平台已经如此分配流量。
流量既是收入，也是投资
论文设定平台上有能力不同的创作者。这里的“能力”，指创作者把流量转成广告收入、再把粉丝转成直接贡献的综合效率。创作者还有各自的粉丝容量，也就是其内容所能触及的潜在人群上限。
平台同时获得两类收入。一类来自当下曝光产生的广告；另一类来自已经积累的粉丝，例如订阅或打赏。平台要在无限时间范围内，让经过折现的总收入最大。折现的意思是：未来收入仍有价值，但离现在越远，计算时权重越低。
这就是动态优化——不是每次都选眼前最赚钱的人，而是把一连串互相影响的决定放在一起算。它也对应推荐系统常见的“探索与利用”：利用，是继续押注已经证明能赚钱的明星；探索，是给新人机会，了解并培养其潜力。
论文考察两种粉丝增长方式。在线性模型里，创作者越接近自己的粉丝容量，新增粉丝越慢。在 Bass 扩散模型里，已有粉丝还会带来口碑传播：增长可能先加速，经过一段快速扩散后再减速，形成 S 形轨迹。
先算未来价值，再决定给谁
论文解析得到一条“most-valuable-creator-first”规则，可译作“最有价值者优先”。这里的价值不是当前粉丝数，也不是眼前广告收入，而是多给一单位流量所产生的长期边际回报：既算立即获得的广告钱，也算新粉丝未来可能贡献的收入。
在线性增长下，这条规则很直观。平台起初把全部流量给边际价值更高的创作者。随着他的粉丝增加，继续投入的回报逐渐下降。等多个创作者的边际价值相等，平台再分流，并尽量维持这种平衡。
可以把它想成浇两盆生长速度不同的植物。水有限时，先浇下一杯水最能增加长期产出的那盆；当两盆对水的回报相当，再同时浇。关键不是平均，也不是永远偏爱当前长得最高的那盆。
多创作者场景下，论文用一个前瞻性的 activation set——“激活集合”，即当前值得共同获得流量的一组创作者——组织分配。平台维持集合内创作者的边际价值相等，同时观察集合外的人；当某位创作者达到进入条件，才把他纳入分流范围。
有时，反而要先扶落后者
Bass 模型带来论文最有意思的现象：conditional reversal，即“条件性反转”。当一位落后创作者仍处于口碑传播的加速阶段，平台可能暂时把全部流量转给他，即使他此刻的边际价值还低于领先者。
原因是，这一小段流量不只增加当下曝光，还可能把他推入口碑增长更快的区间。论文用 activation threshold——激活阈值——判断何时值得提前切换。若领先者与落后者的价值差距已经缩小到阈值以内，且后者仍在加速，平台就可能短暂反转分配；等他的边际价值追上，再进入共同分流阶段。
这不是普遍的“新人优先”。反转带有严格条件，而且只出现在 Bass 扩散假设下的特定增长阶段。在线性模型中，因为没有先加速再减速的口碑过程，也就没有这种反转。
养新人，不等于人人有份
论文进一步问：长期收入最大化，会不会自然养出一个更宽的创作者“中产层”？模型给出的答案偏冷静。
最优策略像一名选择性守门人。能力最高的创作者最终会接近其完整粉丝容量；较弱的创作者只有超过某个能力门槛，才会获得正的平台流量。转化率或粉丝直接贡献的单位收入越高，这道准入门槛越低。
即便通过门槛，较弱创作者也不会被无限培养。模型会为其形成一个低于自然粉丝容量的长期上限。因为继续给他的每一份流量，都意味着少给更有能力的创作者一份。随着创作者能力、转化率或订阅收入提高，这个最优上限才会升高。
所以，“养出新星”只是策略可能产生的结果，不是模型的独立目标。平台优化的仍是长期收入。它既不同于只看眼前收益、容易把流量压向头部的短视策略，也不同于不加筛选地照顾小创作者。
为什么值得关注
这项工作的价值，在于把推荐系统的长期目标讲得很具体。一次曝光既是一次即时交易，也可能是一笔改变未来收入结构的投资。只按当前收入排序，会漏掉尚在积累动量的人；只按公平或粉丝少来分配，又可能把有限流量投向长期回报不足的对象。
论文的数值分析称，简单启发式策略最多可能造成 25% 的收入损失。作者还提出 follower-growth adjusted 启发式——按可观测的粉丝增长动量修正分配——并称其表现接近理论最优。它的实用直觉是：平台不必完整求解复杂的长期模型，也可以把“最近长得有多快”纳入排序，而不只盯着当前规模。
不过，“最多 25%”来自论文自己的数值分析。现有材料没有交代对应的具体基准策略、参数范围，也没有说明是否使用真实平台数据，因此不能把它外推为行业平台普遍会损失四分之一收入。“接近最优”同样没有在材料中给出统一的量化距离。
局限与未知
- 论文结论依赖创作者能力、粉丝容量、收入方式和增长规律等模型设定。尤其是条件性反转，建立在 Bass 口碑扩散与其加速区间之上。
- 现有材料没有提供论文之外的官方说明、代码、数据或第三方复现，也没有证明现实平台采用该策略后一定能培养出新星。
- 模型以平台长期收入最大化为目标。创作者公平、内容质量、用户满意度等其他目标并未出现在供稿所述的优化目标中。