Meta GEM 广告模型统一排序，但其最大主张仍需独立验证

Meta 围绕一个中央系统重构了其 GEM 广告模型，并声称该模型可在其广告生态系统中带来 18.9% 的转化提升。10 月 13 日的更新还称，Meta 各产品界面和广告系列目标的点击率提升了 12%。

这些数据让这次发布不只是又一次模型升级。Meta 正试图用一个共享智能层，取代 Facebook、Instagram、Reels、Stories 及其他广告位上众多专用预测系统。

核心矛盾在于规模与验证。统一模型可以在产品、目标和广告主之间迁移有价值的信号；但它也可能让广告系列表现更依赖于广告主无法独立审查的黑箱系统。

Meta 表示，其新架构将模型复杂度提升至原来的 2.5 倍，同时将总训练算力提高至四倍。该公司还称，在包含数千块 GPU 的集群上，端到端训练效率提升了一倍。

这种组合为 Meta 提供了一条可信的技术路径：在不增加每次服务成本的前提下，为广告投入更多算力。不过，其性能数据仍为公司自行报告的测量结果，而非独立基准测试。

这项更新也加大了 Google 的压力。Google 正在其广告库存中扩展 AI Max 和 Performance Max。两家公司如今都希望由自动化系统承担更多定向、广告位、创意与优化决策。

Meta GEM 广告模型正成为一个中央预测引擎

Meta 的主要变化在于架构：GEM 现可跨广告界面和目标学习，而不是孤立地优化每个领域。

GEM 工程更新介绍了一个在 Meta 广告平台信号上训练的中央基础模型。它可联合预测点击、转化和应用安装等结果。

基础模型是一类大型模型，其训练目标是学习可复用的表征。这些表征可支持许多下游任务，而非只服务于单一、狭窄定义的目标。

这一差异十分重要，因为 Meta 历来运行着大量预测系统。各个系统分别服务于特定广告位、流量来源或广告系列目标。

新的 Meta GEM 广告模型将更多学习过程整合至上游。点击等数据丰富的目标，可帮助训练表征，进而支持信号较少的目标，例如较少见的转化。

Meta 将此称为跨界面、跨领域学习。实际而言，当模型发现可迁移的模式时，与某一广告位相关的活动可改善其他位置的预测效果。

Meta 表示，在过去一年中，GEM 为目标用户带来了 Facebook 5.8% 和 Instagram 4.1% 的转化提升。该公司还将站外转化提升 1.6% 归因于该系统。

这些较为具体的数据与其所报告的、跨界面和目标的 18.9% 提升不同。Meta 未提供完整的公开细分数据，以协调每种测量人群之间的差异。

这并不意味着其中任何一个数字是错误的。但这意味着广告主不应将 18.9% 视为账户层面的保证性提升。

汇总实验可能涵盖不同的目标、符合资格的用户、基线和部署阶段。广告系列的结果仍取决于其市场、转化数据、创意素材储备和衡量设置。

该模型还处于一个更大的投放流程之中。Andromeda 从规模大得多的广告池中检索出一组可管理的广告，而 GEM 则帮助对最终候选项进行排序与优化。

这种分工解释了为什么 GEM 并不只是一个撰写广告文案的工具。它的主要任务是预测、表征学习，以及在 Meta 排序系统之间迁移知识。

Meta 确实运营用于生成文本和视觉资产的生成式工具。这些工具会影响广告主提交的内容，而 GEM 则影响可用广告如何被评估和投放。

对于研究 Meta GEM 工作原理的团队而言，这一区别很重要。该系统改变的是广告系列投放底层的决策引擎，而不只是可见的创意界面。

Meta 的首个 GEM 版本将该模型定位为受 LLM 启发的广告推荐基础。2026 年的更新让这一构想更接近共享的生产架构。

早期一代将知识迁移给一批更小的模型。最新设计扩大了中央模型的职责，同时引入额外方法，将其智能迁移至更低延迟的系统。

这一演进形成了本文的核心张力。Meta 在 GEM 中集中的价值越多，广告主就越依赖于其内部对相关性和价值的定义。

Meta 为何现在在广告上投入更多算力

GEM 将 Meta 的广告业务变成一项财务测试：更大的推荐模型能否证明其基础设施成本合理。

据 Meta 称，其广告覆盖的产品每天有 36 亿人使用。这样的规模为模型提供了长期历史记录、多样化行为以及大量可能的优化目标。

但这也带来了艰巨的计算难题。广告必须足够快地被检索和排序，以维持用户体验，即使候选池中包含数千种可能性。

在适当条件下，当开发者增加参数、训练数据和算力时，大语言模型的能力会提升。推荐模型却并不总是遵循同样可预测的扩展规律。

广告数据包含异构特征、不断变化的分布和稀疏事件。一次购买与一次视频观看所携带的信息不同，同时用户兴趣和可投放广告也在持续变化。

Meta 表示，其 Kunlun 架构应对了这些差异。Kunlun 将 LLM 风格的设计应用于推荐数据，并支持更长的用户互动历史。

该公司报告称，在其最大规模的预训练阶段，这一架构产生了类似 LLM 的扩展关系。与早期版本相比，GEM 的模型复杂度增长了 2.5 倍。

复杂度本身并不能证明经济价值。更大的排序模型只有在额外成本能带来可衡量的广告结果提升时才具有意义。

Meta 的答案是软硬件协同设计。该公司针对较新的 GPU 系统，调整了模型架构、数值精度、通信、内存使用和并行执行方式。

它描述了一种五维并行策略。并行将训练工作分配到处理器、数据分区、模型组件及其他计算维度上。

Meta 还开发了定制低精度内核，即采用更小数值格式的专用 GPU 操作。在准确度仍可接受时，较低精度可以降低内存和计算需求。

Meta 表示，结果是总训练浮点运算量达到原来的四倍，端到端训练效率达到此前的两倍。模型 FLOPS 利用率据称达到 20% 至 25%。

模型 FLOPS 利用率衡量理论加速器容量中有多少用于执行有效的模型计算。它帮助工程师识别通信、内存或软件开销是否导致 GPU 闲置。

20% 至 25% 的结果仍意味着大量理论算力未被利用。不过，推荐工作负载很难高效映射到主要为密集型语言模型运算设计的硬件上。

Meta 的投资有着明确的商业逻辑。广告为该公司的大部分运营提供资金，包括其不断扩张的 AI 基础设施。

该公司报告称，2026 年第二季度营收为 608 亿美元，同比增长 28%。其第二季度业绩也显示，与 AI 产能相关的支出大幅增加。

根据其财报报道，Meta 报告的季度支出达到 420 亿美元。这使公司面临证明基础设施投资如何改善核心广告业务的压力。

GEM 提供了这种联系。相比通用助手的进展，点击或转化的可衡量提升可以更直接地实现商业化。

这一点在 2025 年已可见。Meta 表示，其在第四季度将用于训练 GEM 的 GPU 数量增加了一倍。

该公司的第四季度说明将 Facebook 广告点击量提升 3.5% 归因于 GEM 和序列学习改进。该公司还报告 Instagram 转化率提升超过 1%。

这些早期结果确立了一条路径：投入更多训练资源，改进架构，整合系统，并衡量下游广告收益。

2026 年的发布延续了这一进程。Meta 不再将 GEM 描述为一个实验性组件，而是将其定位为广告技术栈的中央计算引擎。

Meta GEM 如何在不实时排序每条广告的情况下运作

GEM 的关键机制是智能迁移，它将高成本学习与实时广告投放对严格延迟的要求分离开来。

中央模型可以学习更丰富的表征，但在每次广告机会中都运行整个模型成本高昂。在毫秒都至关重要的环节，它也可能增加延迟。

Meta 通过后训练解决这一问题。后训练是在中央模型完成主要学习过程后，对其能力进行修改或迁移。

最新技术名为 LoopFM。Meta 将其描述为一种结构化表征，可将 GEM 的内部知识和序列记忆带入下游模型。

知识蒸馏此前已让较小系统能够模仿较大模型的某些方面。LoopFM 则新增了一条路径，用于从 GEM 学习到的用户历史中迁移信息。

Meta 表示，这种组合可在不增加服务算力或延迟的情况下，将智能迁移能力提升一倍。这是内部主张，缺乏公开、独立的比较。

尽管如此，这一设计应对了真实的生产约束。最大的模型无需在每次实时竞价中评估每一个候选项。

相反，GEM 可以在上游执行高成本学习。随后，较小模型在响应实时请求时使用压缩后的表征。

Meta 还推出了 Solaris，这是一套弹性预计算系统。预计算会将选定的预测或表征移出即时请求路径。

Solaris 可在请求到达前利用可用的推理能力。当条件合适时，实时系统会检索这些已准备好的结果，从而避免重复计算的全部成本。

这一架构类似于师生关系。GEM 是高成本的教师，而速度更快的下游模型则在严格延迟限制下应用经过选择的知识。

这种方法还让 Meta 可以调整不同请求获得多少中央模型智能。高价值或难度更高的预测可以获得比常规情况更多的计算资源。

这在推理环节周围形成了一层经济控制机制。Meta 可以根据预期价值分配算力，而无需在所有场景中都运行最大的模型。

模型仍需应对不断变化的数据。广告库存、用户行为、季节性需求和转化模式都可能迅速变动。

长上下文学习有助于 GEM 整合更长时间跨度的互动历史。但当偏好或市场状况发生变化时，较早的行为也可能产生误导。

因此，Meta 的架构既需要记忆，也需要新鲜度。更多历史数据只有在系统能够区分持久偏好与过期信号时才有价值。

该公司的序列学习更新描述了其向统一处理行为序列迈出的更广泛一步。Meta 将这些变化与 Facebook 和 Instagram 上的累计提升联系在一起。

第二种机制用于处理多样化的训练数据。Meta 表示，其创建了虚拟数据加载机制，可在不实际复制完整数据集的情况下混合不同来源的数据。

这种无额外成本的数据混合指的是存储和数据管道处理，而非免费计算。训练仍会消耗大量加速器算力。

该技术让团队能够选择流量与广告版位数据的组合，同时保留专门的下游训练。在逐步迁移至中央模型的过程中，这种灵活性尤为重要。

Meta 还采用了领域专家框架。领域专家是专门的模型组件，用于处理不同版位、目标或数据分布之间的差异。

这种设计避免了统一化演变为完全同质化。共享层学习可迁移的模式，而专家组件则保留任务特定的行为。

这种平衡至关重要。在 Reels 上的一次点击，与用户浏览 Facebook Feed 广告后完成的一次购买，并不具有完全相同的含义。

如果共享学习占据过强主导地位，模型可能迁移无关模式。如果专业化占据主导，Meta 则会失去集中化带来的效率和泛化优势。

GEM 的技术赌注在于，足够大的模型能够同时学习共通结构和有意义的差异。领域专家则在目标分化之处提供额外容量。

这一机制比单纯宣称模型规模更能解释所报告的 Meta GEM 广告影响。该设计结合了更长的历史记录、共享表示、专业专家和更低成本的部署。

不过，广告主无法直接控制这些内部选择。他们通过转化信号、创意素材、营销活动目标、预算和允许使用的受众输入来影响系统。

这使信号质量变得更重要。不正确的转化事件或缺乏变化的创意，可能让系统朝着不符合广告主目标的方向学习。

能力很强的优化器会高效追逐其接收到的指标。除非广告主提供这种区分，否则它无法判断某个技术上有效的转化是否代表一位盈利客户。

Google 面临同样的自动化竞赛，但数据不同

核心竞争是 Meta 与 Google 之间的较量：哪家公司能将更广泛的自动化转化为更出色、可衡量的广告成果。

Google 的系统始于不同的用户环境。搜索查询通常表达明确意图，而 Meta 则通常从社交和消息产品中的互动行为推断意图。

这种差异塑造了两家公司的自动化广告战略。Google 可以在其广告资源中关联查询、网页、产品、地图和视频行为。

Meta 可以分析用户与创作者、好友、企业、视频和广告之间的互动。GEM 试图在这些版位和目标之间发现可复用的模式。

Google 的Performance Max 指南介绍了 AI 如何在其各个渠道中管理出价、定向、创意和归因。广告主提供目标和信号，Google 则自动化更多投放决策。

AI Max 在搜索广告系列中扩展了类似方法。它扩大匹配范围，并可根据预测意图定制素材或选择落地页。

Meta GEM 的作用更深入于社交广告管道内部。它在 Andromeda 等系统检索候选广告后支持排序。

这些架构并不是可以直接对比的基准。每家公司控制不同的广告资源，观察不同的行为，并在自身环境中定义衡量方式。

但战略方向依然相似。两个平台都希望广告主提供业务目标、创意输入和转化数据，同时由机器学习承担更多执行工作。

这使竞争从手动广告系列控制中转移出来。优势日益取决于数据质量、模型学习、可用广告资源和可靠衡量。

因此，Meta 的 18.9% 转化率声明面向两类受众。广告主听到的是效果论据，而投资者听到的是昂贵 AI 基础设施能够增强营收能力的证据。

Google 面临着证明其自动化能够适应不断变化的搜索环境的压力。对话式查询和 AI 生成的答案可能改变商业意图出现的位置。

Meta 面临不同的压力。它必须在不依赖明确搜索查询的情况下识别商业意图，再将这种意图与合适的广告匹配。

GEM 的中央模型旨在改善这种推断。更长的互动历史可以揭示狭窄的、特定版位模型可能遗漏的模式。

例如，用户可能在 Reels 上观看产品视频，与相关创作者互动，随后在 Instagram 上看到一则引导转化的广告。共享学习可以连接这些事件。

仅针对最终版位训练的专业模型看到的上下文会更少。中央模型可以先建立更丰富的表示，再将其传递到下游。

这一优势取决于能否获取可用信号。隐私规则、平台政策、设备限制和用户选择都可能限制可用于衡量和优化的数据。

Google 和 Meta 都通过强调第一方信号和建模结果来应对。不过，建模并不能消除归因中的不确定性。

广告主可能会在接触多个渠道后看到平台报告的转化。平台的排序模型可以改善其选定指标，却可能高估自身的独立贡献。

这正是增量测试很重要的原因。广告主需要留出组、地理实验、转化质量检查或其他控制手段，以区分相关性与新增业务价值。

自动化竞赛也改变了创意策略。当模型探索更多受众和版位时，它们需要传达不同理念的多样化素材。

提交同一广告的表面变化版本，可能提供不了多少新信息。不同的优惠、形式、开场概念和客户问题，能够创造更有用的替代方案。

但广告主不应将创意数量与战略质量混为一谈。自动化系统可以高效分发素材，却无法修复薄弱的价值主张。

Meta 的集中化可能降低狭窄定向策略的价值，同时提高准确的转化反馈、差异化创意和严谨衡量的价值。

这代表的是控制权的重新分配，而非控制权消失。广告主会失去对个别投放选择的一部分控制，但仍需对目标、经济效益和证据负责。

18.9% 的转化率声明存在重要局限

Meta 报告了显著提升，但公开证据尚不足以说明典型广告主应如何将其转化为预期回报。

第一项局限是归因。这些数据来自 Meta 自己的系统和实验，工程文章中没有说明存在独立审计。

公司自行开展的实验仍可能严谨。Meta 拥有进行大规模随机测试所需的流量和基础设施。

不过，读者需要更多细节才能解读任何提升。重要变量包括基线、符合条件的人群、广告系列组合、测试时长和统计不确定性。

Meta 提供了若干百分比，但文章中未公布置信区间。它也未披露足够的细分信息，无法估算某个特定行业的结果。

所报告的、跨版位和目标的 18.9% 转化提升，可能汇集了许多干预措施或人群。较小的 Facebook、Instagram 和站外数据采用了更有限的表述。

这些数字不应相加。它们可能描述重叠的部署、不同的基线，或不同层级的贡献。

第二项局限涉及目标质量。更多转化并不一定意味着更高利润、更强留存或更优质的客户。

模型可以找到成本低廉、能够满足某项转化事件的行为。当该事件无法准确代表业务价值时，这种优化就会造成伤害。

线索生成广告主对此问题并不陌生。一个广告系列可以带来更多表单提交，却减少合格商机。

零售广告主面临相关问题。更高的平台归因购买量可能包含利润率更低、退货更多，或原本无论如何都会发生的订单。

第三项局限是平台不透明性。广告主无法检查 GEM 学到的表示，也无法确定为何某次特定竞价产生特定结果。

他们可以查看汇总报告并进行外部实验，但无法在平台之外复现 Meta 完整的排序过程。

集中化会使这个问题更显著。当一个模型影响多个版位时，一次更新可能同时影响多个广告版位和目标。

同样的设计可以通过共享学习提升可靠性。但当训练数据、校准或部署发生变化时，它也可能扩大意外行为的影响范围。

第四项局限是广告主控制权。自动化可以对比人工媒介买手响应更多信号，但也可能推翻广告系列计划中隐含的假设。

当品牌要求与预测的短期效果相冲突时，这会造成紧张关系。广告主可能关心版位环境、客户构成或信息一致性，而不只是即时转化概率。

Meta 有动力保护用户体验和广告主的长期成果。但这些动机并不与每位广告主的经济利益完全一致。

平台在复杂市场中最大化整体结果。单个企业则在特定约束下最大化自身的增量利润。

第五项局限是计算效率。Meta 将训练效率提高了一倍，但总训练操作量也增加了四倍。

这两项说法可以同时成立。更高效的硬件利用可以降低每单位计算成本，而总资源消耗仍会持续上升。

财务问题在于，额外广告收入和广告主价值能否超过不断扩大的成本。公开工程指标本身无法回答这一问题。

Meta 的广告业务增长提供了支持性证据，但并未将 GEM 的影响单独分离出来。定价、展示量、互动度、宏观经济状况和其他产品变化也会影响收入。

广告主报告提供了另一种视角，尽管个体体验存在噪声。一些从业者描述了更好的自动化发现能力，另一些则报告投放波动加剧和控制力下降。

两类人群都无法全面观察该系统。账户层面的轶事反映的是特定预算、产品、信号、创意和时间段。

谨慎的解读很直接：Meta 展示了可信的机制和大量内部测量结果，但这并不构成普遍适用的性能保证。

广告主应将此次更新视为开展测试的理由，而非理所当然作出假设的依据。随着平台自动化程度提高，受控实验的重要性也随之上升。

一项有效测试应在投入开始前明确业务目标，同时区分转化数量与转化质量。

团队应监测客户获取成本、边际回报、合格线索、订单价值、退货情况，以及适用时的后续留存率。

他们还应保留创意、定向、预算和测量变更的记录。没有这些历史记录，绩效变化将很难归因。

对于知识密集型团队而言，可搜索的技术知识库能够保留实验定义和平台变更。这些记录可帮助分析师在模型更新后比较结果。

重点并不是逆向破解 GEM，而是保留足够的内部证据，以评估 Meta 的自动化是否支持广告主真正的目标。

三个信号将揭示 GEM 能否实现规模化成效

接下来的检验不是又一张架构图，而是 Meta 能否将更广泛的 GEM 部署与持久、可验证的业务成果联系起来。

第一个信号是 Meta 下一次关于广告表现的财务披露。投资者应关注广告点击、转化、定价和模型驱动效率的量化变化。

若能明确量化 GEM 的具体贡献，将增强 Meta 的论据。笼统声称 AI 改善推荐，则只能提供较弱的证据。

措辞将至关重要。Meta 应区分 GEM、序列学习、模型统一、创意自动化以及可用广告库存变化所带来的收益。

一系列持续、可测量的改善将支持中心模型战略。数据下滑或无法解释，则会削弱“额外复杂性持续带来经济回报”的主张。

第二个信号是部署广度。Meta 表示，这一 2026 年模型覆盖其广告生态系统，但具体能力仍可能在不同时间覆盖不同的投放版位和目标。

广告主应关注其是否有文件记录地扩展至更多广告活动目标、版位、地区和下游模型。若这些领域的结果保持稳定，将支持智能迁移取得成功的判断。

表现不均衡将揭示共享学习的局限。它可能表明，某些目标仍需要更专业的系统或更强的转化信号。

最具参考价值的证据应将整体平均值与领域层面的结果区分开来。这将帮助广告主了解 Meta GEM 在哪些场景中表现最佳。

第三个信号是由广告主控制的增量测试。代理商和品牌应将平台报告与围绕实际业务成果设计的实验进行比较。

当对照组显示出新增销售额或合格需求时，转化提升就更具说服力。平台数据与独立测量结果一致，将增强 Meta 的立场。

两者之间不断扩大的差距则会削弱这一立场。这意味着排名改进可能是在更有效地优化 Meta 的归因系统，而不是广告主的基础经济效益。

这些测试也决定了企业应交出多少广告活动控制权。更好的独立结果证明扩大自动化是合理的；结果不一致则说明应设置更严格的约束。

更广泛的方向已经清晰。Meta 和 Google 正将更多预测、版位和优化决策集中到大型共享模型之中。

这一变化使输入和测量比人工调整更重要。广告主需要干净的转化信号、多样化的创意，以及对价值的精确定义。

他们也需要在模型学习期间保持耐心，但不应接受无限期的低绩效。测试窗口应设定预先定义的决策规则和财务上限。

Meta 的新 GEM 架构为推荐系统规模化提出了严肃的技术答案。它结合了中心化学习、专业化专家模型、压缩知识迁移和弹性预计算。

其报告的收益规模足以值得关注，但这些结果也依赖于 Meta 的定义、实验设计和内部可见性。

对广告主而言，正确的回应既不是自动信任，也不是条件反射式地拒绝，而是针对 Meta 无法控制的结果开展结构化测试。

Meta GEM 广告模型能否提升增量利润，而不仅仅是平台报告的转化量？下一季度的财务披露和广告主实验，应会提供最清晰的答案。