Meta的GEM广告推荐模型通过软硬件协同设计，将端到端训练效率提升至20-25% MFU，训练FLOPs一年内增长4倍。核心创新包括定制内核库（如Jagged Flash Attention、GDPA、BlockAttention）和混合超低精度训练提升计算效率；拓扑感知的5D并行、SM-free通信、自动激活检查点和负载均衡优化扩展效率。这些方法解决了推荐系统与LLM混合架构的独特挑战。

Meta通过自适应排名模型提升广告推荐系统效率，解决了模型复杂性与系统效率的矛盾，实现低延迟和高效能，显著提高广告转化率和点击率。该模型通过请求导向优化与深度模型系统协同设计，确保每个请求由最有效的模型处理，以满足全球用户需求。

Meta推出生成广告模型(GEM)，旨在提升广告推荐效果。该模型通过处理大量用户与广告的互动，解决推荐系统的挑战。GEM利用先进架构、知识转移和优化训练基础设施，提高性能，并支持广告主目标与用户行为。Meta还采用多种并行策略和GPU优化，提升训练效率，帮助广告主实现更精准的广告投放。

Meta推出生成广告推荐模型（GEM），通过先进架构和后训练技术提升广告转化率，显著改善Instagram和Facebook上的广告效果和投资回报率。

2025年，生成式AI迅速发展，百度推出COBRA推荐系统，结合稀疏ID与稠密向量，提升推荐的准确性和多样性。COBRA在广告推荐中表现出色，已全面应用于百度广告业务，推动个性化推荐的进步。

Meta AI研究团队提出ExFM框架，解决了万亿级基础大模型在广告推荐中的高效服务问题。该框架通过外部蒸馏和动态适应机制，实现教师模型与学生模型的解耦，显著降低计算成本和延迟，提升模型性能，推动广告推荐系统优化。

广告推荐系统面临数据稀疏和冷启动挑战。腾讯机器学习平台利用AutoML技术简化模型开发，提升推荐准确性。研究涵盖BiGNAS、One-Shot NAS和AutoPooling等，自动优化特征选择和模型架构，降低技术门槛，促进跨部门协作，提升用户体验。

Andromeda是Meta的机器学习系统，旨在提高广告推荐的检索效率。它利用NVIDIA Grace Hopper超级芯片和深度神经网络，优化广告选择，提升个性化广告的质量和投资回报。通过层次索引和模型弹性，Andromeda有效应对广告候选数量激增和低延迟需求，推动广告系统的创新与自动化。

Meta通过深度学习推荐模型（DLRMs）改进了广告推荐系统，采用事件驱动学习和序列学习，克服了传统方法的局限性。新系统提升了广告的相关性和转化率，增强了对用户行为的理解，未来将继续扩展和优化。

Meta依赖于机器学习推荐模型进行广告推荐。他们开发了预测稳健性解决方案以确保可靠性。这些解决方案解决了预测不确定性和频繁更新等挑战。Meta计划扩展这些解决方案以提高排名性能和生产力。