产品
别名：Generative Ads Recommendation Model
Meta广告推荐系统的生成式基础模型
已跟踪 2 条高相关材料
最近变化
2026-08-05 · 多阶段模型解耦离线建模与在线排序，降低工程复杂度
为什么值得关注
GEM 被反复提及时，通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
From User Sequences to Scaling Laws: A Multi-Stage Architecture for Meta’s Ads Ranking
Engineering at Meta · 8.5 分
Meta通过多阶段架构和目标感知注意力技术实现广告排序模型规模化，使Facebook和Instagram转化率提升达6%。
GEM Training: How Meta Doubled the Efficiency of Its LLM-Scale Ads Foundation Model
Engineering at Meta · 8.5 分
Meta通过自定义内核库和混合精度训练，将GEM广告推荐模型训练效率提升至20-25% MFU，同时实现4倍FLOPs扩展。
已收录 2 条与 GEM 相关的内容，按评分排序。
Meta通过自定义内核库和混合精度训练，将GEM广告推荐模型训练效率提升至20-25% MFU，同时实现4倍FLOPs扩展。
入选理由：Jagged Flash Attention（JFA）等自定义内核库使GPU利用率提升100%
Meta通过多阶段架构和目标感知注意力技术实现广告排序模型规模化，使Facebook和Instagram转化率提升达6%。
入选理由：多阶段模型解耦离线建模与在线排序，降低工程复杂度
