Meta 于 10 月 13 日公布的 GEM 更新，让更大的中央模型参与 Facebook、Instagram、Reels 和 Stories 的更多广告决策。公司称跨版位、目标的转化提升 18.9%，点击率提升 12%。这些是内部测量，不是独立核验、对每位广告主作出的承诺。
技术变化比“AI 让广告更好”具体。GEM 学习表示，预测点击、转化、安装等结果，再把有用知识转移给低延迟投放系统。它是排序与学习引擎，不只是生成广告文案的工具。
共享学习不等于抹平不同目标
工程更新描述了一个跨越以往专门系统的基础模型。点击等信号丰富任务可以帮助学习表示，再服务较少见的转化事件。一个版位的活动，只有在模式能迁移时，才可能改善另一处预测。
集中化仍需专业分工。领域专家组件保留版位与目标差异：观看 Reels 不等于看过 Facebook 信息流广告后购买。共享过强可能传递无关模式，专门化过强则失去统一的理由。
GEM 也只是投放链的一部分。Andromeda 从更大广告池检索较小候选集合，GEM 帮助排序和优化。创意生成工具影响提交的素材，GEM 则改变现有广告如何被评估，广告主不能直接调整其内部表示。
首代 GEM曾被描述为受大语言模型启发、向小模型传授知识的教师，2026 架构扩大了作用。Meta 还列出上一年针对目标用户的 Facebook 转化增幅 5.8%、Instagram 4.1%和站外 1.6%。公开材料没有把这些较窄群体与 18.9%总体数字完整对齐，不能相加，也不能当成各账户通用预测。
训练效率提高，整体计算仍可能增加
Meta 称 Kunlun 将类似大语言模型的设计用于异质推荐数据和更长互动历史。购买、观看、稀疏转化不是可以互换的 token，兴趣和广告库存变化也使扩展复杂。公司报告在最大预训练规模出现类似 LLM 的扩展关系，不代表已独立证明所有推荐系统都遵循普遍定律。
模型复杂度增加到 2.5 倍，总训练运算达到 4 倍，端到端训练效率则翻倍。Meta 描述了数千 GPU、五维并行、自定义低精度内核，以及通信、内存、架构的协同调整。
报告中的模型 FLOPS 利用率为理论加速器容量的 20%–25%，衡量有效模型计算相对硬件潜力，不是广告主回报。每单位工作更高效与总消耗增加可以同时成立；四倍训练量不意味着总成本减半。
虚拟数据加载在不物理复制整套数据的情况下混合来源。“无成本混合”指存储和流水线处理，不是免费训练。中央模型跨域学习时，仍可保留专门的下游训练。
商业动力很直接。Meta 称产品每日触达 36 亿人。2026 年第二季财报收入 608 亿美元，同比增长 28%；报告的季度费用为 420 亿。广告需帮助解释不断扩大的 AI 基建投入，但收入还受价格、曝光量、互动及其他变化影响，不能全归 GEM。
在 2025 年第四季说明中，Meta 称 GEM 训练 GPU 翻倍，并把 Facebook 广告点击提升 3.5%、Instagram 转化提升超过 1%归于 GEM 和序列学习改进。这是公司报告的贡献时间线，不是受控的代际性能比较。
LoopFM 与 Solaris 把工作移出实时请求
每次广告机会都运行最大中央模型，可能昂贵又缓慢。LoopFM 把结构化表示和序列记忆转给下游模型，补充知识蒸馏。Meta 称组合方案让知识转移能力翻倍，却不增加服务计算和延迟；公开材料未提供独立比较来证实。
Solaris 加入弹性预计算，在请求前利用空闲推理能力，适当时直接读取备好的结果。中央模型承担昂贵学习，小系统或预计算表示满足实时限制。难或高价值预测可分配更多计算，而不必处处运行最大模型。
长历史只有仍相关才有用。偏好、季节需求、库存及转化模式都变化，记忆必须兼顾新鲜度。Meta 的序列学习说明描述更广的多阶段转型，其收益可能与其他部署重叠，而非独立可相加数字。
与 Google 的比较是战略，不是基准
Google 的 Performance Max跨库存自动处理竞价、定向、创意和归因，AI Max 在搜索内扩大自动化。Google 的明确搜索意图，不同于 Meta 从社交互动推断兴趣；库存、行为与测量定义都不同，不能直接对比性能。
两者都让广告主更多提供商业目标、不同创意与转化信号，由模型决定投放。事件追踪错误会使强优化器追逐错误结果。表单更多可能合格线索更少，平台归因订单更多也可能包括低毛利、退货或本来就会发生的销售。
隐私规则、设备限制和用户选择会减少可用信号。第一方数据及建模结果并未消除归因不确定性。保留组、地理实验与转化质量检查，衡量的是新增价值，不同于平台报告的转化数量。
公开主张仍未回答什么
Meta 有足够流量和设施做严谨内部实验，但文章没有置信区间，也未充分披露基线、人群、持续时间、行业分段，无法把总体提升转成典型账户预期。部署阶段和目标不同，可能在数字都真实时产生不同百分比。
集中化也可能让一次校准或训练调整同时影响更多版位。广告主无法在 Meta 外复现完整排序。平台激励与一家企业的增量利润、品牌要求、目标客群有重叠，却不完全一致。
可信评估需区分转化数量与质量，记录素材、预算、目标、测量的变化。获客成本、边际回报、合格需求、订单价值、退款、留存，可揭示即时事件未包含的结果。这不是逆向还原 GEM 的方案，而是保存企业自己判断自动化的证据。
下一批有用信号，是与创意自动化、库存变化分开的量化贡献，跨部署阶段的领域结果，以及广告主可控增量实验的一致性。GEM 是认真应对推荐扩展的架构，其内部成果值得关注，但模型更复杂或转化率更高，都没有直接回答某家企业是否赚到更多新增利润。
关于整理和保留工作上下文的相关阅读：技术文档知识库.