Meta 生成式广告模型 GEM:扩展中心模型与计算引擎,打造前沿广告 AI
摘要
Meta 工程博客详解其广告推荐基础模型 GEM 的 2026 代:把原本分散在各广告场景的优化统一为一个中心基础模型,配合自研昆仑架构与 LoopFM 后训练技术实现 LLM 式缩放,并公布了转化率 18.9%、点击率 12% 的提升数据。
核心要点
- 2026 代 GEM 从按场景(Facebook、Instagram、Reels)分割的独立优化,转向学习全平台数据与信号的单一中心基础模型,覆盖数十个广告场景与目标,实现认知、考虑、转化全漏斗优化。
- 在最大预训练规模上观察到类似 LLM 的缩放律:模型复杂度较早期 GEM 版本提升 2.5 倍,容量与上下文变长带来排序质量的涌现式提升。
- 为解决推荐系统因海量异构特征与分布漂移而难以缩放的问题,Meta 设计了 LLM 风格架构 Kunlun,与最新 GPU 硬件协同设计,使更大更深的模型在成本上可行,并支持对用户互动历史的长上下文学习。
- 后训练技术 LoopFM 负责把 GEM 的内部结构化表示与序列历史记忆迁移给线上服务模型,从而在不实时评估全部广告候选的前提下获得更大的延迟预算。
- 业务侧数据:过去一年 GEM 在 Meta 各广告场景与目标上带来 18.9% 转化提升与 12% 点击率提升;对目标用户在 Facebook、Instagram 及站外转化分别贡献 5.8%、4.1%、1.6% 的转化增量。
原文佐证
- GEM has delivered 18.9% conversion improvement and 12% ad click-through rate (CTR) improvement across Meta s ad surfaces and objectives
- We observed an LLM-like scaling law at our largest pre-training scale with 2.5x model complexity growth from earlier versions of GEM.
- The 2026 generation of GEM shifts from isolated per-domain optimizations — such as Facebook, Instagram, Reels — to a single central foundation model.
AI 洞察
这篇披露的真正信号是推荐系统正在被并入 LLM 的技术范式:缩放律、长上下文、中心化基础模型加轻量后训练迁移,这套组合一旦在广告这种万亿级变现系统上跑通,就意味着推荐与生成式 AI 的架构分界正在消失。对行业而言,广告推荐的技术门槛从“特征工程 + 场景调优”转向“算力规模 + 基础模型 + 硬件协同设计”,中小玩家与 Meta 的差距可能被进一步拉大;对广告主,全漏斗统一优化会同时压缩预算分配的试错空间与人工调优价值。