你刷到一条广告，背后往往不是一个模型单独做决定，而是多个广告场景同时争取算力、判断你可能点击什么。模型越大，判断或许更准，但也更难塞进讲究速度和成本的线上系统。Meta 的 GEM 想解决的正是这件事：不仅扩大模型，还要让中央模型、计算引擎和硬件一起扩展。
一个中央模型，服务更多场景
据 Meta 工程博客，GEM（Generative Ads Model）是其首个受大语言模型启发的广告推荐范式。这里的“受 LLM 启发”，是借用大模型规模化处理用户、广告和行为序列的思路；它仍然预测点击、转化或排序信号，并不是替广告写文案。
GEM 属于推荐系统基础模型：先在大量行为数据上训练一个共享的中央模型，再让不同广告任务复用其能力，不必每个场景从头训练。Meta 称它是业内规模最大的推荐系统基础模型，并称其带来了“显著”性能提升。不过博客导语没有披露指标、比较基线或实验范围，这些说法目前都只能视为 Meta 的自我评价。
扩容不只是把模型做大
Meta 公布的下一阶段目标有两条。一是借助新一代硬件继续扩大计算规模；二是加强“智能迁移”——让中央模型学到的通用规律真正进入各个广告排序链路。承担衔接工作的计算引擎，则包括算力调度、并行计算和数据传输。说白了，中央模型像共享大脑，计算引擎负责让它在严格的延迟与成本约束下工作。
这也承接了本刊此前报道的另一条路线：上一篇关注广告推荐如何临时借用闲置推理算力；这一篇关注共享模型与底层算力怎样长期协同升级。Meta 的目标是最终把 GEM 扩展到整个广告生态，但材料只说明了方向，不能视为已经完成。
局限与未知
- 现有信息仅来自 Meta 一篇工程博客的导语，没有论文、代码或第三方测试。
- “去年推出”按文章发表于 2026 年 10 月推算为 2025 年，确切发布日期仍未披露。
- 新硬件的型号、扩容规模、实施时间表及智能迁移方法均未说明。