Meta заявила о росте конверсий на 18,9% благодаря модели GEM для рекламы
Meta опубликовала техническое описание 2026 поколения своей генеративной рекламной модели GEM. По словам компании, она дала прирост конверсий на 18,9% и CTR на 12% на всех рекламных поверхностях и в целях.
Главное в цифрах
- Прирост конверсий: 18,9%
- Рост CTR: 12%
- Прирост конверсий на Facebook: 5,8%
- Прирост конверсий на Instagram: 4,1%
- Прирост внешних конверсий: 1,6%
Meta заменила отдельные системы прогнозирования для Facebook, Instagram и Reels одной центральной базовой моделью. Она обучается на данных всех приложений компании и передаёт результаты сотням небольших моделей, которые в реальном времени решают, какую рекламу показать пользователю.
Для отдельных площадок Meta приводит такие цифры: прирост конверсий 5,8% на Facebook, 4,1% на Instagram и 1,6% по внешним конверсиям за прошедший год. При этом в документе не указаны базовая линия, период измерения и методика, поэтому рекламодатели не смогут проверить эти данные в собственных кабинетах.
Противоречия с прежними данными
Meta и раньше называла результаты GEM в квартальных отчётах, и они не совпадают с сегодняшними. В июле 2025 года Марк Цукерберг говорил о примерно 5% роста конверсий в Instagram и 3% в Facebook. В апреле 2026 года компания приписала более 6% роста конверсий на посадочных страницах сочетанию улучшений Lattice и архитектуры GEM. Во втором квартале 2026 года финансовый директор Сьюзен Ли назвала 15,7% роста конверсий на Facebook от GEM и моделей понимания пользователей вместе.
Цифра 1,6% по внешним конверсиям совпадает с приростом, который Meta ранее приписывала расширению Adaptive Ranking Model. Совпадение или одна и та же метрика, засчитанная двум системам, в документе не объясняется.
Архитектура Kunlun
Большая часть поста посвящена тому, как заставить модель рекомендаций масштабироваться так же, как большие языковые модели. Meta пишет, что рекомендательные модели не демонстрируют подобной предсказуемости роста при увеличении вычислений из-за неоднородных признаков и меняющихся распределений данных.
Новая архитектура Kunlun заменяет прежнюю Interformer. По словам Meta, она даёт двукратный прирост производительности при том же масштабировании вычислений и позволила увеличить сложность модели в 2,5 раза по сравнению с предыдущими версиями GEM. Каждый слой Kunlun состоит из компонента внимания, компонента суммаризации пользовательских сигналов и компонента перекрёстных взаимодействий на основе смеси экспертов.
Мета отмечает, что вычисления в документе описаны без привязки к конкретному чипу: сказано лишь о «последнем поколении GPU». Советуем дождаться независимых данных, прежде чем делать выводы о реальном эффекте для кампаний.
