Meta推出自适应排名模型：优化LLM广告推理效率
Engineering at Meta2026/04/01 00:00机翻/自动摘要/自动分类
3 阅读
内容评分
技术含量
7/10
营销水分
6/10
摘要
Meta开发的自适应排名模型通过动态调整模型复杂度，解决LLM级广告推荐系统的推理三难问题。该模型采用请求中心架构、硬件协同设计和多卡基础设施优化，实现亚秒级延迟与高参数规模。在Instagram部署后，广告转化率提升3%，点击率增长5%，为大规模推荐系统提供高效解决方案。
正文
Meta在人工智能推荐系统领域持续创新，推出自适应排名模型（Adaptive Ranking Model）以解决级广告推荐系统的性能挑战。该模型通过动态调整推理扩展策略，平衡模型复杂性与计算资源需求，同时满足全球数十亿用户的低延迟服务要求。核心创新包括：1）基于请求的推理扩展架构，实现亚秒级延迟下的大规模模型处理；2）硬件感知的模型与系统协同设计，最大化异构计算资源利用率；3）重构的多卡基础设施支持O(1T)参数规模，显著提升推荐系统效率。自2025年第四季度在Instagram部署后，广告转化率提升3%，点击率增长5%。该技术方案为广告推荐系统提供了可扩展的级推理框架，兼顾性能与成本效益。