一項廣告模型改良,為何要等逾一年?
品牌在 Facebook 或 Instagram 刊登廣告,背後由多個排名模型處理不同版位及廣告目標。同一項改良,即使已在某個模型證實有效,要擴展至所有適用模型,仍可能需時超過一年。
Meta 於 2026 年 11 月 18 日發表工程文章,介紹如何用 AI 代理加快這段流程。公司估計,自今年三月開始由代理推動執行後,代理已處理超過六成的技術擴展工作。下一個目標,是將上述推廣時間縮短至三個月。
對廣告客戶而言,這項工作的潛在價值,在於已驗證的模型改良能更快應用到不同版位及廣告目標。Meta 已公布的成果集中於工程效率和訓練算力。
在一個模型有效,移到另一個就要重新調整
Meta 將能改善排名模型的做法統稱為「技術」,包括模型架構改進、資料表達方式,以及訓練和實際運行時的效率優化。
文章提到的例子包括 Wukong 因子分解層和 Interformer 互動網絡。這些技術需要配合目標模型的架構、訓練資料及運行限制;一套已奏效的設定,通常無法直接複製到另一個模型。
工程師因此要逐項選擇值得嘗試的組合、修改設定,再安排訓練。每次嘗試都消耗算力,失敗後亦要找出原因。技術還有時效:今天能帶來改善的做法,可能在幾輪模型開發後已被新方法取代。推廣愈慢,舊改良能發揮作用的時間便愈短。
AI 代理接手選擇、實驗及故障處理
Meta 原本已透過共用模型範本減少重複工作。一項技術在範本層面驗證成功後,就能擴展至使用同一範本的模型。AI 代理進一步處理需要選擇和調整的環節。
首先,代理從共用知識庫整理已驗證技術,估計哪些模型適合採用,再按預期影響排列候選組合,交工程師審閱。
接着,代理協助調整技術。例如,配合目標模型已有的資料、修改訓練設定,或縮放架構以符合運行成本限制。對收入最高、仍需逐個處理的模型,代理會跟隨工程師記錄每次修改及結果,再為其他模型提出方案。
到了實驗階段,代理啟動和監察歷時多天的訓練,處理故障及整理部署提案。它們亦會參考過往訓練結果,縮窄下一輪嘗試的設定範圍,及早停止價值較低的實驗。

圖片來源:Meta Engineering,2026 年 11 月 18 日。官方流程示意圖。
工程師處理量增至三倍,節省算力由 Meta 受惠
Meta 表示,與引入代理前的同類工作相比,每名工程師現在可以處理三倍的技術與模型適配工作。
在部分選定的技術與模型組合中,訓練算力用量的中位數降至原來四分之一。公司亦預計,到年底累計可節省超過 4500 萬美元算力開支。前者來自指定組合的早期結果,後者則是公司對年底的估算。
這些節省首先發生在 Meta 的模型開發流程。對品牌來說,更接近實際使用的環節,是改良後的模型何時能應用到所用的版位和廣告目標。
模型正式上線,最後決定仍由工程師負責
由 AI 代理擴展的技術,沿用人工處理時的評估要求:先改善離線預測指標,同時守住訓練及實際運行成本,再在線上 A/B 比較測試取得統計上顯著的改善,才可以部署。
工程師負責審閱關鍵決定、設定優先次序及批准最終上線。Meta 希望將端到端處理量提高至五倍,以達到三個月的推廣目標;這兩項均屬後續發展方向。