Meta가 10월 13일 발표한 GEM 업데이트는 Facebook·Instagram·Reels·Stories의 더 많은 광고 판단에 큰 중앙 모델을 둔다. 회사는 지면과 목표 전반에서 전환 18.9%, 클릭률 12% 개선을 보고했다. 내부 측정이지 모든 광고주에게 독립 검증된 성과를 약속한 것은 아니다.
기술 변화는 'AI가 광고를 개선한다'보다 구체적이다. GEM은 표현을 학습하고 클릭·전환·설치를 예측하며 저지연 집행 시스템에 유용한 지식을 전달한다. 광고 문구 생성기만 아니라 순위와 학습 엔진이다.
공유 학습이 목표 차이를 없애지는 않는다
엔지니어링 설명은 기존의 전문 시스템을 넘나드는 기반 모델을 다룬다. 클릭처럼 신호가 풍부한 과제가 드문 전환에 쓰는 표현을 도울 수 있다. 한 지면 활동이 다른 예측을 개선하려면 배운 패턴을 옮길 수 있어야 한다.
집중화에도 전문화가 필요하다. 영역 전문가 구성 요소는 지면과 목표 차이를 유지한다. Reels 시청은 Facebook 피드 광고 후 구매와 같지 않다. 공유가 과하면 무관한 패턴을 전하고 전문화가 과하면 통합 이유를 잃는다.
GEM은 집행 파이프라인의 일부다. Andromeda가 큰 광고 풀에서 후보를 추리고 GEM이 순위·최적화를 돕는다. 생성형 소재 도구는 제출할 자산에 영향을 주고 GEM은 있는 광고의 평가를 바꾼다. 광고주는 내부 표현을 직접 조정하지 못한다.
첫 GEM은 LLM에서 착안해 작은 모델에 학습을 전하는 교사로 설명됐다. 2026 구조는 역할을 넓힌다. Meta는 전년도 대상 사용자에서 Facebook 전환 5.8%, Instagram 4.1%, 외부 사이트 1.6% 개선도 보고한다. 좁은 모집단과 전체 18.9%를 공개적으로 완전히 맞춰 설명하지 않아 더하거나 계정별 공통 예측으로 쓰면 안 된다.
효율이 좋아져도 총계산은 늘 수 있다
Meta는 Kunlun이 이질적인 추천 데이터와 긴 참여 이력에 LLM형 설계를 적용한다고 한다. 구매·시청·드문 전환은 서로 바꿀 수 있는 토큰이 아니고 관심·광고 재고 변화도 확장을 어렵게 한다. 최대 사전학습 규모에서 LLM 유사 확장 관계를 보고했지 모든 추천 시스템의 보편 법칙을 독립 입증한 것은 아니다.
모델 복잡도는 2.5배, 총학습 연산은 4배, 전체 학습 효율은 2배가 됐다. 회사는 수천 GPU, 5차원 병렬화, 자체 저정밀 커널 및 통신·메모리·구조의 공동 조정을 설명한다.
모델 FLOPS 활용률은 이론적 가속기 용량의 20~25%다. 하드웨어 잠재력 대비 유용한 모델 계산이지 광고주 수익이 아니다. 단위 작업의 효율 향상과 총소비 증가는 함께 성립한다. 학습량 4배는 총비용 절반이라는 주장이 아니다.
가상 데이터 로딩은 전체 데이터셋을 물리 복사하지 않고 출처를 섞는다. '비용 없는 혼합'은 저장과 파이프라인 처리이지 무료 학습이 아니다. 중앙 모델이 영역을 넘나들어도 전문 하위 학습은 유지할 수 있다.
사업 유인은 직접적이다. Meta는 제품이 매일 36억 명에 닿는다고 한다. 2026년 2분기 실적 매출은 608억 달러로 28% 증가했고 보고된 분기 비용은 420억 달러다. 광고는 AI 인프라 확대를 설명해야 하지만 매출은 가격·노출량·참여 등 다른 변화도 반영해 GEM만의 성과는 아니다.
2025년 4분기 발언에서 Meta는 GEM 학습 GPU를 두 배로 늘렸고 GEM·순서 학습 개선으로 Facebook 광고 클릭 3.5%, Instagram 전환 1% 초과 향상을 보고했다. 회사가 말한 기여의 시간 순서이지 통제된 세대 비교는 아니다.
LoopFM과 Solaris는 작업을 실시간 요청 밖으로 옮긴다
모든 광고 기회마다 최대 중앙 모델을 실행하면 비싸고 느릴 수 있다. LoopFM은 구조화 표현과 순서 기억을 하위 모델에 옮겨 지식 증류를 보완한다. Meta는 서비스 연산·지연을 늘리지 않고 전달을 두 배로 만들었다고 하지만 독립적인 공개 비교는 없다.
Solaris는 탄력적 사전계산으로 요청 전 여유 추론 자원에서 결과를 준비해 적절할 때 가져온다. 중앙 모델은 비싼 학습을 하고 작은 시스템이나 미리 만든 표현이 실시간 제한을 맞춘다. 최대 모델을 매번 쓰지 않고 어려운 예측이나 가치 높은 예측에 더 많은 계산을 줄 수 있다.
긴 이력도 여전히 관련 있을 때만 유용하다. 취향·계절 수요·재고·전환 패턴은 변하므로 기억은 최신성을 갖춰야 한다. 순서 학습 설명은 더 넓은 다단계 전환을 다루며 성과가 다른 배포와 겹칠 수 있다. 독립 수치처럼 합산할 수 없다.
Google과의 비교는 전략이지 벤치마크가 아니다
Google Performance Max는 재고 전반의 입찰·타기팅·소재·기여를 자동화하고 AI Max는 검색 내 자동화를 넓힌다. 명시적인 질의와 Meta의 소셜 관심 추론은 다르다. 재고·행동·측정 정의가 달라 직접 성능 비교는 어렵다.
양쪽 모두 광고주에게 사업 목표, 다른 소재와 전환 신호를 요구하고 모델이 집행을 맡는다. 이벤트 추적 오류는 유능한 최적화도 틀린 목표로 이끈다. 양식 제출이 늘어도 유효 고객은 줄고 귀속 주문에는 저마진·반품·원래 발생할 매출이 포함될 수 있다.
개인정보 규칙·기기 제한·사용자 선택은 이용 가능한 신호를 줄인다. 자사 데이터와 추정 결과도 기여 불확실성을 없애지 않는다. 대조군, 지역 실험과 전환 품질 확인은 플랫폼 전환 수와 별개로 새 가치를 평가한다.
공개 주장으로 풀리지 않은 것
Meta는 엄격한 내부 실험을 할 트래픽과 시설이 있다. 그러나 공개 글에는 신뢰구간, 기준선·모집단·기간·업종별 상세가 부족해 전체 향상을 일반 계정 전망으로 바꾸기 어렵다. 단계와 목표 차이는 모든 수치가 참이어도 다른 백분율을 설명할 수 있다.
집중화는 보정이나 학습 변화가 여러 지면에 동시에 미칠 범위도 넓힌다. 광고주는 Meta 밖에서 전체 순위를 재현하지 못한다. 플랫폼 유인은 한 사업자의 증분 이익·브랜드 제약·선호 고객군과 겹치지만 완벽히 같지는 않다.
신뢰할 평가는 양과 질을 나누고 소재·예산·목표·측정 변경을 기록한다. 획득 비용, 한계 수익, 유효 수요, 주문액, 환불과 유지율은 즉시 이벤트 밖의 결과를 드러낸다. GEM을 역분석하는 절차가 아니라 광고주 자신의 증거를 보존하는 방법이다.
다음 유용한 신호는 소재 자동화·재고 변화와 구분한 기여, 배포 단계 및 영역별 결과, 광고주 통제 증분 실험과의 일치다. GEM은 추천 확장에 진지한 구조를 제시한다. 내부 성과는 주목할 만하지만 복잡도나 전환 증가만으로 특정 기업의 추가 이익을 결정할 수는 없다.
작업 맥락을 정리하고 보존하는 데 관한 관련 읽을거리: 기술 문서 지식 기반.