Meta Andromeda 是什麼？2026 Meta 廣告演算法三大升級一次看懂

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）。

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）。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。

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）。

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）。

2026 年的 GEM 有三個變化（Meta Engineering：GEM）：

• 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）。

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。

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 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。

► 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。

► 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），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）
• Meta Engineering：新一代 Meta Andromeda（2026-10-28）
• Meta Engineering：GEM（2026-10-13）
• Meta Engineering：GenRecs Tokenization（2026-10-19）
• Meta Q2 2026 財報電話會議逐字稿
• Meta for Business：AI Innovation in Meta's Ads Ranking Driving Advertiser Performance（2025-03-27）

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（arXiv，2026-02）
• GEM 知識轉移｜LoopFM: Learning frOm HistOrical RePresentations of Foundation Model for Recommendation（arXiv，2026-05）
• GEM 推論加速｜SOLARIS: Speculative Offloading of Latent-bAsed Representation for Inference Scaling（arXiv，2026-04；SIGIR 2026 Industry Track）
• GenRecs Tokenization｜Tokenizing Numerical and Embedding Features for LLM RecSys（arXiv，2026-07；COLM 2026 Tokenization Workshop）
• GenRecs 召回｜The Case Against Generation for Retrieval: Discriminative Language Models as Effective Retrievers（arXiv，2026-07）
• GenRecs 延伸：推理式重排｜GR2: Generative Reasoning Re-ranker（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。