> ## Content Index > Fetch the complete content index at: https://growthhackers.tw/llms.txt > Use this file to discover other available public pages before exploring further. # Meta Andromeda 是什麼？2026 Meta 廣告演算法三大升級一次看懂 - URL: https://growthhackers.tw/blog/meta-andromeda-ads-ranking-2026/ - Published: 2026-11-05T15:03:30.000Z - Updated: 2026-11-05T15:12:40.000Z - Description: Meta 官方 10 月底公布廣告排序系統的三項 AI 升級：Andromeda 召回變廣、GEM 跨版位一起預測、GenRecs 用 LLM 讀懂廣告內容。全部自動生效、不用改設定，但系統能發揮多少，取決於你給它的優化目標、資料品質與自動化空間。 - Author: Lewis wang - Tags: Meta 廣告, 廣告演算法, AI 廣告, 廣告投放, 數位廣告 Meta 在 2026 年第二季財報電話會議上公布一組數字：當季 Facebook 上的廣告點擊增加 8.3%，轉換提升 15.7%。 這兩個數字來自 Meta 廣告系統的模型改進，範圍是 Facebook、單一季度，而且是用戶理解模型、GEM、序列學習（sequence learning）好幾項改進加在一起的結果（[Meta Q2 2026 財報電話會議逐字稿](https://s21.q4cdn.com/399680738/files/doc%5Ffinancials/2026/q2/META-Q2-2026-Earnings-Call-Transcript.pdf?ref=growthhackers.tw)）。 10 月 28 日，Meta for Business 發了一篇官方公告，把廣告排序系統今年的三項技術攤開來講（[Meta 官方公告](https://www.facebook.com/business/news/three-new-ai-innovations-in-ads-ranking)）。切入重點，今年 Meta 廣告系統在三件事上變強了： - **考慮更多你做的廣告**：Andromeda 負責的召回階段，現在會看過每一則符合資格的廣告。 - **跨 App、版位、目標一起預測得更準**：GEM 從少數版位的先行嘗試，變成整個廣告推薦的基礎模型。 - **用 LLM 讀懂廣告內容**：GenRecs 讓沒什麼互動紀錄的新廣告，也能更快開始有成效。 三項全部自動生效，廣告主不用改任何設定。 但「不用改設定」跟「跟你無關」是兩回事。看懂三項技術各卡在廣告投遞的哪一段，你才知道自己手上的素材、目標設定、資料，分別影響哪個環節。 先說明一件事：下面所有成效數字都是 Meta 官方公布的數據，比較基準大多沒有公開，每個數字的適用範圍也不一樣，文中會逐一標清楚。 ## 廣告是怎麼被選出來的？先看懂「召回」和「排序」 想像一下，有人在通勤時滑開 Facebook。動態消息往下捲的那一瞬間，系統要從所有可能出現的廣告裡，挑出最適合他的那一則。 這件事分兩段做。 **第一段是召回（retrieval）**：從量級達數千萬則、符合資格的廣告裡，先挑出一份數千則左右的短名單。白話講，就是「先決定誰有資格進面試」。 **第二段是排序（ranking）**：針對短名單裡的每一則廣告，預測這個人點擊、轉換的機率，再進入競價，決定最後勝出、真的出現在畫面上的那一則。 這兩段的分工很關鍵。 排序模型再準，也只能在短名單裡挑。你的廣告如果在召回階段就沒進名單，後面預測得多準都跟你無關。 ![廣告排序漏斗：數千萬則廣告經過召回縮成數千則短名單，再經過排序選出勝出的廣告；Andromeda 負責召回，GEM 支援排序，GenRecs 的生成式召回接在召回段](https://growthhackers.tw/content/images/2026/11/inline-funnel-v1.png) 廣告排序漏斗：數千萬則廣告經過召回縮成數千則短名單，再經過排序選出勝出的廣告；Andromeda 負責召回，GEM 支援排序，GenRecs 的生成式召回接在召回段 套回這次的三項技術： - **Andromeda** 是召回引擎，管第一段。 - **GEM** 是排序背後的基礎模型，管第二段。 - **GenRecs** 兩段都碰：它的 tokenization（把廣告內容轉成模型看得懂的語意代號）墊在排序模型底下，它的生成式召回則直接接進 Andromeda。 ## Meta Andromeda 是什麼？召回階段的「禮賓員」 **Meta Andromeda 是 Meta 的廣告召回引擎**，也就是排序流程的第一步：把幾千萬則廣告縮成一份短名單，決定哪些廣告有機會被考慮給某個人看。 ### 它做什麼 去年 Meta 用了一個比喻：Andromeda 像一位私人禮賓員，懂你懂到不只知道你想買鞋，還知道你想要的是去海邊穿的紅色夾腳拖。 今年這位禮賓員還在，變的是工作方式。 以前他只逛最熱門、最熟的那幾排貨架。現在他會走遍整間店，讀每一排貨架上每件商品的標籤，花的時間一樣，帶回來的那一組商品更接近你真正想要的。 ### 跟去年比改了什麼 2024 年推出的 Andromeda 拚的是「深度」：Meta 自研的 MTIA 加速晶片、NVIDIA Grace Hopper 超級晶片，硬體、軟體、機器學習一起設計，讓召回模型的複雜度提高了 10,000 倍。 2026 年新一代 Andromeda 拚的是「更聰明的廣度」，一樣跟 NVIDIA 共同設計（[Meta Engineering：新一代 Andromeda](https://engineering.fb.com/2026/10/28/ml-applications/meta-andromeda-next-gen-ads-retrieval-gpu-co-design?ref=growthhackers.tw)）。 以前是一個通用模型跑全部廣告。現在改成多個專門的「專家模型」，系統先判斷每則廣告該交給哪幾位專家評分。這等於把接近排序等級的判斷力，提前搬進召回階段。 工程文寫到的規模：生產環境中，系統會對候選池裡每一則符合資格的廣告打分數，單台 GPU 伺服器跑完整召回流程，每秒處理超過 10 億則，官方說是 2024 版的約 100 倍。 ### 官方成效數字 - 自 2025 年以來，Andromeda 讓 **Facebook 上的轉換增加 2.4%**。 - 2026 年第三季，Andromeda 複雜度再提高 10 倍，**沒有增加運算成本或硬體需求**。這一步單獨帶來 Facebook 轉換 +1.37%、Instagram Reels 轉換 +0.24%。 1.37% 和 0.24% 是第三季那次升級的貢獻，跟 2.4% 是不同口徑，不能相加。 ## Meta GEM 是什麼？從「超級大腦」變成「教整個班級的老師」 **GEM（Generative Ads Recommendation Model，生成式廣告推薦模型）是 Meta 廣告推薦背後的基礎模型**，用大型語言模型等級的規模訓練，負責理解每個人的廣告互動行為、預測他會不會點擊或轉換。 ### 它做什麼 去年 Meta 把 GEM 比喻成超級大腦：幾秒內讀完整座圖書館，記住每個細節，再把細節串起來。 今年的比喻升級了。這顆超級大腦開始「教學」：它從 Meta 所有廣告平台的訊號裡，歸納出人們一般是怎麼一步步走到購買，再把這些知識教給很多個專門做即時排序的模型。 官方的說法是：你不只是在跟教授對話，而是享受到他教出來的每一位學生一起合作的成果。 ### 跟去年比改了什麼 2025 年 3 月 GEM 剛推出時，是一個用數千顆 GPU 訓練的新模型，還在少數版位先行，官方當時公布轉換最高提升 5%（[Meta 2025 年官方公告](https://www.facebook.com/business/news/ai-innovation-in-metas-ads-ranking-driving-advertiser-performance)）。 2026 年的 GEM 有三個變化（[Meta Engineering：GEM](https://engineering.fb.com/2026/10/13/ml-applications/generative-ads-model-gem-scaling-frontier-ads-ai/?ref=growthhackers.tw)）： - **範圍變全面**：GEM 現在是 Facebook、Instagram、Reels 等版位，以及站外轉換（off-Meta conversions）廣告推薦的共同基礎，涵蓋網站轉換、App 安裝等主要廣告目標。 - **透過知識轉移運作**：GEM 不直接投放你的廣告，而是把集中學到的東西和歷史記憶，傳給跨版位、跨目標的即時排序模型。以前每個版位、每個漏斗階段各自改進、各自排時程，現在一次全部受惠。 - **看得更長、想得更深**：在生產環境中讀取 2 倍長的互動歷史，模型複雜度是早期版本的 2.5 倍。 ### 官方成效數字 - 自 2025 年以來，GEM 在 Meta 各廣告版位與目標上，帶來**最高 18.9% 的轉換提升**，以及 **12% 的廣告點擊率（CTR）提升**。 - 此外，針對目標用戶（targeted users），GEM 分別貢獻 **Facebook 轉換 +5.8%、Instagram +4.1%、站外轉換 +1.6%**（GEM 工程文標示為過去一年的數據）。 18.9% 前面的「最高」很重要，代表這是表現最好的情況，不是平均值。「目標用戶」的定義，Meta 也沒有公開。 ## Meta GenRecs 是什麼？讓系統「讀懂」你的廣告 **GenRecs（Meta Generative Recommender，生成式推薦系統）是 Meta 把大型語言模型接進廣告推薦的一系列技術**，讓模型同時推理廣告內容和用戶偏好，替每個人預測最相關的廣告，連剛上線、還沒什麼互動紀錄的新廣告也能預測。 ### 它做什麼 Meta 的比喻是一座圖書館。 圖書館員本來就很熟熱門書，靠的是借閱卡和多年來誰借了什麼的紀錄。問題是，今天早上剛到館的新書，完全沒有借閱紀錄，館員不知道該推薦給誰。 GenRecs 的第一步叫 **tokenization**（把內容切成模型看得懂的基本單位）：用大型語言模型讀每一則廣告的文字和圖片，再結合互動訊號，把它轉成一小串語意代號（semantic tokens），捕捉商品的品牌、顏色、版型、風格這類關鍵屬性（[Meta Engineering：GenRecs Tokenization](https://engineering.fb.com/2026/10/19/ml-applications/genrecs-tokenization-transforming-ads-recommendation-at-meta-with-stable-model-vocabulary/?ref=growthhackers.tw)）。 這組 token 就像全館共用的主題分類詞。新書一到館，就已經跟館裡所有同主題的書歸在一起，就算沒人借過，館員也知道它跟哪些書是同一類。 ### 跟去年比改了什麼 GenRecs 是今年才有的新東西。Meta 在 Q2 財報會議上形容它是廣告系統運作方式的典範轉移：以前是對每一則可能的廣告個別打分數，現在用 LLM 同時推理廣告內容和用戶偏好，直接預測最適合這個人的廣告。 這套共用詞彙現在墊在排序模型底下，也是「生成式召回」的基礎。 生成式召回的做法，有點像語言模型預測下一個字：系統看你過去借過哪些主題、今天想找什麼，先「說出」你接下來會想要的主題，也就是理想廣告的語意代號，再去找最接近的現有廣告。GenRecs 現在就是用這個方式強化 Andromeda。 ### 官方成效數字 - 2026 年第三季，GenRecs 擴展到 **Facebook 動態消息的生成式召回**，在目標族群（targeted segments）中帶來**將近 2% 的轉換提升**。 - GenRecs Tokenization 搭配 GEM 和 Meta 的 Adaptive Ranking Model，讓廣告主的跨版位轉換提升 **0.35%**（工程文註明為 2026 年 2 月量測的 Meta 內部數據）。 0.35% 是三個模型搭配的結果，不是 tokenization 單獨的效果，跟 Q3 的近 2% 也是不同的兩組數字。 ![Meta 2026 廣告排序三項 AI 升級對照：Andromeda 禮賓員負責召回、GEM 超級大腦負責跨版位預測、GenRecs 圖書館負責理解廣告內容](https://growthhackers.tw/content/images/2026/11/inline-three-tech-v1.png) Meta 2026 廣告排序三項 AI 升級對照：Andromeda 禮賓員負責召回、GEM 超級大腦負責跨版位預測、GenRecs 圖書館負責理解廣告內容 ## 這三項升級，對廣告主的意義是什麼？ 把三項技術翻成廣告主的語言，是三件事。 ### 1\. 更多素材變化有機會被考慮 Andromeda 從「只逛熱門貨架」變成「讀完每一排貨架」，官方的說法是：你的更多廣告、素材變化和商品，都會被拿來考慮配對給每一個人。 重點是什麼？ **召回變廣，素材多樣性的價值變高。** 以前召回只看熟的那幾排貨架，很多素材連被比較的機會都沒有。現在候選池裡符合資格的每一則都會被評分，素材在角度、情境、商品上真的有差異，才有機會各自配到適合的人。 ### 2\. 轉換數少的深層漏斗目標，能借到其他訊號 做過購買、加入購物車這類深層目標的人都知道，轉換數一少，系統很難學。 GEM 的知識轉移在處理這件事。官方寫得很直接：轉換數少的廣告活動，現在可以受惠於 GEM 從其他點擊資料學到的東西，所以深層漏斗目標的廣告主會看到更好的成效。 白話講，當你的活動轉換數不多，GEM 從其他點擊資料學到的「人怎麼走到購買」，可以替它補上一部分訊號。 ### 3\. 新素材、新商品更快上軌道 GenRecs 讓系統能透過「它已經懂的相似廣告和商品」去理解新東西。官方的說法是，新廣告、更新後的素材和新商品，會更快進入有成效的軌道。 官方還提到另一個效果：系統越能推理人們真正想要什麼，就越有機會觸及「正在找你賣的東西」的人，即使他過去點過的廣告看起來跟你的完全不像。 要提醒一點，Meta 沒有公布冷啟動具體縮短多少，也沒有說廣告管理員裡「學習階段」的規則有改。目前能說的，就是官方的方向性描述加上前面那兩個數字。 ## 廣告主現在能做什麼？系統能發揮多少，取決於你給它什麼 官方公告最後一段，是整篇最該劃線的地方。 所有改進都會自動套用到你的帳號，不用開什麼開關、不用換新的活動類型、也不用規劃轉移。但你能拿到多少，還是看你給系統什麼：你要它優化的結果、你分享的資料品質（包括你怎麼衡量成效），以及你讓模型處理多少優化工作。 Meta 的原話翻成中文大意是：系統越來越懂人的興趣、商品和服務，但它還是需要你告訴它，對你的生意來說「贏」長什麼樣子。 照這三件事，具體可以這樣做： ► **把優化目標設在你真正要的結果上** 如果你真正要的是購買，就別為了數字好看選連結點擊。官方這次特別點名，轉換數少的深層目標會受惠於 GEM。以前怕「資料不夠學不起來」而退回淺層目標的帳號，值得重新評估一次，再用自己的數據驗證。 ► **把資料品質顧好，包括衡量方式** 系統學的是你回傳的事件。Pixel 漏事件、購買事件重複計算、商品資料殘缺，都會讓它學歪。伺服器端回傳可以先從 [Meta CAPI 一鍵安裝](https://growthhackers.tw/blog/meta-capi-one-click-setup-guide/) 開始。 衡量也是資料的一部分。平台報表告訴你的是歸因，想知道廣告到底多帶來多少生意，要做增量測試，方法可以參考 [Holdout 增量測試完全解析](https://growthhackers.tw/blog/click-here-ep3-holdout-incremental-test/)。 ► **給系統自動優化的空間** 受眾、版位、預算綁得越死，系統能探索的投放空間就越小。Meta 在 Q2 財報會議上提到，Advantage+ 端到端解決方案的年化營收已超過 750 億美元，自動化顯然是它主推的方向。哪些開關該開、哪些要留在手上，可以看這篇 [Meta Advantage+ 完整教學](https://growthhackers.tw/blog/metaaiadvantage/)。 ► **讓素材真的有差異** 召回變廣、新素材冷啟動變快，兩件事加起來，代表新素材比較有機會被看見、被學到。與其同一支素材換十種配色，不如換十種切角、情境或商品組合。 ## 從 2023 到 2026，Meta 廣告系統一路在做同一件事 回頭看 2023 年 Meta 介紹 Lattice 那一代系統時（[AI 新進展推動 Meta 廣告系統效能與效率](https://growthhackers.tw/blog/aimeta/)），重點是把很多個各自優化的小模型合併起來。2025 年的四項創新、2026 年的三項升級，方向都一樣：把更多判斷集中到更大的模型，再讓它自動套用到每一個帳號。 照這個方向走，廣告主能手動調的地方只會越來越少。 如果你問我，接下來拉開差距的地方，會從「誰比較會調參數」移到「誰給系統的輸入比較好」：目標設得準不準、資料乾不乾淨、素材有沒有真的不一樣。 ## FAQ **Q1：Meta Andromeda 是什麼？** Meta Andromeda 是 Meta 的廣告召回引擎，負責排序流程的第一步：從幾千萬則符合資格的廣告裡，篩出要考慮給某個人看的短名單。2026 年新一代改用多個專家模型，官方說單台 GPU 伺服器每秒可處理超過 10 億則。 **Q2：2026 年 Meta 廣告演算法改了什麼？** 三項升級：Andromeda 召回會考慮更多廣告；GEM 成為跨 Facebook、Instagram、Reels 等版位與站外轉換的基礎模型，並把知識轉移給即時排序模型；GenRecs 用大型語言模型讀懂廣告內容，幫助新廣告更快有成效。 **Q3：廣告主需要改設定嗎？** 不需要。Meta 官方表示所有改進都自動套用，沒有開關、沒有新活動類型。但成效仍取決於你設定的優化目標、回傳的資料品質，以及讓系統自動優化的程度。 **Q4：官方數字可以直接拿來預估我的成效嗎？** 不建議。這些都是 Meta 自己公布的數據，範圍各不相同，例如「Facebook 上」「目標用戶」「最高」，比較基準也大多沒有公開。要知道自己帳號的真實效果，還是要靠增量測試。 ## 引用來源 - [Meta for Business：Inside the Three New AI innovations in Ads Ranking Improving your Ad Performance（2026-10-28）](https://www.facebook.com/business/news/three-new-ai-innovations-in-ads-ranking) - [Meta Engineering：新一代 Meta Andromeda（2026-10-28）](https://engineering.fb.com/2026/10/28/ml-applications/meta-andromeda-next-gen-ads-retrieval-gpu-co-design?ref=growthhackers.tw) - [Meta Engineering：GEM（2026-10-13）](https://engineering.fb.com/2026/10/13/ml-applications/generative-ads-model-gem-scaling-frontier-ads-ai/?ref=growthhackers.tw) - [Meta Engineering：GenRecs Tokenization（2026-10-19）](https://engineering.fb.com/2026/10/19/ml-applications/genrecs-tokenization-transforming-ads-recommendation-at-meta-with-stable-model-vocabulary/?ref=growthhackers.tw) - [Meta Q2 2026 財報電話會議逐字稿](https://s21.q4cdn.com/399680738/files/doc%5Ffinancials/2026/q2/META-Q2-2026-Earnings-Call-Transcript.pdf?ref=growthhackers.tw) - [Meta for Business：AI Innovation in Meta's Ads Ranking Driving Advertiser Performance（2025-03-27）](https://www.facebook.com/business/news/ai-innovation-in-metas-ads-ranking-driving-advertiser-performance) Meta 工程文引用的研究論文（Andromeda 那篇沒有引用論文）。以下都有 arXiv 預印本；SOLARIS 已被 SIGIR 2026 Industry Track 接受，Tokenizing 那篇發表於 COLM 2026 的 Tokenization Workshop，其餘目前只有預印本： - GEM 模型架構｜[Kunlun: Establishing Scaling Laws for Massive-Scale Recommendation Systems through Unified Architecture Design](https://arxiv.org/abs/2602.10016?ref=growthhackers.tw)（arXiv，2026-02） - GEM 知識轉移｜[LoopFM: Learning frOm HistOrical RePresentations of Foundation Model for Recommendation](https://arxiv.org/abs/2605.29280?ref=growthhackers.tw)（arXiv，2026-05） - GEM 推論加速｜[SOLARIS: Speculative Offloading of Latent-bAsed Representation for Inference Scaling](https://arxiv.org/abs/2604.12110?ref=growthhackers.tw)（arXiv，2026-04；SIGIR 2026 Industry Track） - GenRecs Tokenization｜[Tokenizing Numerical and Embedding Features for LLM RecSys](https://arxiv.org/abs/2607.10016?ref=growthhackers.tw)（arXiv，2026-07；COLM 2026 Tokenization Workshop） - GenRecs 召回｜[The Case Against Generation for Retrieval: Discriminative Language Models as Effective Retrievers](https://arxiv.org/abs/2607.25346?ref=growthhackers.tw)（arXiv，2026-07） - GenRecs 延伸：推理式重排｜[GR2: Generative Reasoning Re-ranker](https://arxiv.org/abs/2602.07774?ref=growthhackers.tw)（arXiv，2026-02） **協作聲明與免責** 這篇文章由王董與 AI 一起整理製作完成。文中引用的第三方資料、研究或工具都會標註來源名稱；若原始出處有公開連結，會以 `[來源名稱](URL)` 形式附上，方便你進一步查找。若文中內容與原始出處有任何出入，請以原文為準。 內容僅供參考與學習交流，不構成任何專業、商業或投資建議，請依自身情況判斷並自行承擔行動風險。文中提及的工具功能、數據與平台政策可能隨時間異動，請以各官方最新公告為準。