Aktualizacja GEM z 13 października umieszcza większy model centralny za większą liczbą decyzji na Facebooku, Instagramie, Reels i Stories. Meta podaje 18,9 procent poprawy konwersji i 12 procent współczynnika kliknięć w różnych powierzchniach i celach. To pomiary wewnętrzne, nie niezależnie sprawdzona obietnica dla każdego konta.
Zmiana jest konkretniejsza niż „AI poprawia reklamy”. GEM uczy się reprezentacji, przewiduje kliknięcia, konwersje i instalacje, a wiedzę przekazuje szybkim systemom dostarczania. To silnik rankingu i uczenia, nie tylko generator tekstów.
Wspólna nauka nie usuwa różnych celów
Opis techniczny pokazuje model bazowy łączący wcześniej wyspecjalizowane systemy. Liczne kliknięcia pomagają reprezentacjom rzadkich konwersji. Aktywność jednej powierzchni poprawi drugą tylko przy użytecznym transferze wzorca.
Centralizacja zachowuje specjalizację. Eksperci domenowi utrzymują różnice: oglądanie Reels nie oznacza zakupu po reklamie Feed. Zbyt szerokie współdzielenie przenosi nieistotne wzorce, zbyt duża specjalizacja traci sens ujednolicenia.
GEM jest częścią łańcucha. Andromeda wybiera kandydatów z dużej puli, GEM pomaga porządkować i optymalizować. Narzędzia kreatywne zmieniają materiały, GEM ich ocenę. Reklamodawcy nie regulują bezpośrednio wewnętrznych reprezentacji.
Pierwsza wersja była nauczycielem inspirowanym LLM dla małych modeli; 2026 rozszerza rolę. Meta podaje też wcześniejsze wzrosty dla określonych użytkowników: Facebook 5,8 procent, Instagram 4,1, poza witryną 1,6. Nie uzgodniono publicznie tych węższych populacji z całościowym 18,9. Nie należy ich dodawać ani zamieniać w uniwersalną prognozę.
Wyższa efektywność nadal może zużywać więcej obliczeń
Meta mówi, że Kunlun stosuje projekt podobny do LLM do niejednorodnych danych i długich historii. Zakup, obejrzenie i rzadka konwersja nie są wymiennymi tokenami; zainteresowania i zasób reklam się zmieniają. Relacja skali z największego treningu nie jest niezależnie udowodnionym prawem ogólnym.
Złożoność wzrosła 2,5 raza, całkowite operacje treningowe czterokrotnie, a efektywność całości dwukrotnie. Meta opisuje tysiące GPU, pięciowymiarową równoległość, własne jądra niskiej precyzji i skoordynowane zmiany komunikacji, pamięci i architektury.
Wykorzystanie FLOPS modelu to 20–25 procent teoretycznego potencjału akceleratora. Mierzy użyteczne obliczenia, nie zwrot reklamodawcy. Sprawniejsze jednostki pracy i większe zużycie ogółem mogą współistnieć; cztery razy więcej treningu nie oznacza połowy całkowitego kosztu.
Wirtualne ładowanie miesza źródła bez fizycznego kopiowania całych zbiorów. „Bez kosztu” dotyczy przechowywania i obsługi potoku, nie darmowego treningu. Specjalistyczne uczenie dalszych modeli pozostaje możliwe przy wspólnym modelu.
Motyw biznesowy jest bezpośredni. Meta podaje 3,6 miliarda osób dziennie. Wyniki drugiego kwartału 2026 to 60,8 miliarda dolarów przychodu, wzrost 28 procent, i raportowane wydatki kwartalne 42 miliardy. Reklamy mają uzasadniać infrastrukturę AI, lecz ceny, wyświetlenia, zaangażowanie i inne zmiany też wpływają na przychód, nie sam GEM.
W wypowiedziach za czwarty kwartał 2025 Meta mówiła o podwojeniu GPU GEM oraz przypisywała GEM i uczeniu sekwencji 3,5 procent kliknięć Facebook i ponad 1 procent konwersji Instagram. To chronologia deklarowanego wkładu, nie kontrolowane porównanie generacji.
LoopFM i Solaris usuwają pracę z żądania na żywo
Uruchamianie największego modelu przy każdej okazji byłoby drogie i wolne. LoopFM przekazuje uporządkowane reprezentacje i pamięć sekwencyjną dalej, uzupełniając destylację. Meta mówi o podwojeniu transferu bez dodatkowych obliczeń i opóźnień obsługi, ale brak niezależnego publicznego porównania.
Solaris dodaje elastyczne obliczenia wyprzedzające, używa wolnych zasobów przed żądaniem i pobiera gotowe wyniki, gdy pasują. Centralny model uczy się drogo, małe systemy lub gotowe reprezentacje spełniają limity czasu. Trudne lub cenne przewidywania mogą dostać więcej mocy bez największego modelu wszędzie.
Długa historia pomaga tylko, gdy pozostaje istotna. Preferencje, sezon, zasób i konwersje się zmieniają; pamięć potrzebuje świeżości. Opis sekwencji pokazuje szerszą transformację. Zyski mogą pokrywać inne wdrożenia i nie są niezależnymi liczbami do sumowania.
Google to porównanie strategiczne, nie benchmark
Performance Max automatyzuje stawki, celowanie, kreacje i atrybucję Google; AI Max rozszerza Search. Jawne zapytania różnią się od społecznych zainteresowań wywnioskowanych przez Meta. Inne zasoby, zachowania i miary uniemożliwiają prosty test wydajności.
Oba podejścia wymagają celów firmy, różnych kreacji i sygnałów konwersji, oddając wykonanie modelom. Błędne zdarzenia prowadzą dobrego optymalizatora do złego wyniku. Więcej formularzy może dać mniej kwalifikowanych kontaktów, a przypisane zamówienia niską marżę, zwroty lub sprzedaż, która i tak by zaszła.
Prywatność, ograniczenia urządzeń i wybory użytkowników zmniejszają sygnały. Dane własne i modelowane wyniki nie usuwają niepewności przypisania. Grupy kontrolne, eksperymenty geograficzne i jakość konwersji badają dodaną wartość inaczej niż licznik platformy.
Czego nie rozstrzygają dane publiczne
Meta ma ruch i zaplecze do rygorystycznych testów wewnętrznych. Ale artykuł nie podaje przedziałów ufności ani dostatecznych szczegółów baz, populacji, czasu i branż do prognozy typowego konta. Różne fazy i cele wyjaśniają odmienne procenty bez fałszu.
Centralizacja zwiększa też zakres skutków zmiany kalibracji lub uczenia. Reklamodawcy nie odtworzą pełnego GEM poza Meta. Interesy platformy częściowo pokrywają się z przyrostowym zyskiem, ograniczeniami marki i klientelą firmy, lecz nie są identyczne.
Wiarygodna ocena rozdziela ilość i jakość oraz zachowuje zmiany kreacji, budżetu, celu i pomiaru. Koszt pozyskania, zwrot krańcowy, kwalifikowany popyt, wartość zamówień, refundacje i retencja pokazują wyniki poza natychmiastowym zdarzeniem. To zachowanie własnych dowodów, nie odtwarzanie GEM.
Kolejne użyteczne sygnały to wkład oddzielony od automatyzacji kreacji i zmian zasobu, wyniki domen i faz oraz zgodność z testami przyrostowymi reklamodawców. GEM jest poważną architekturą skalowania. Wewnętrzne zyski zasługują na uwagę, ale sama złożoność i konwersje nie dowodzą dodatkowego zysku każdej firmy.
Dodatkowa lektura o dokumentowaniu kontekstu pracy: bazy wiedzy dokumentacji technicznej.