GEM de Meta : le modèle central et le moteur de calcul qui font passer l'IA publicitaire à l'échelle supérieure
Meta a dévoilé la nouvelle génération de GEM (Generative Ads Model), son modèle de fondation pour la recommandation publicitaire, présenté l'an dernier comme le plus grand du secteur. La version 2026 abandonne les optimisations isolées par domaine (Facebook, Instagram, Reels) au profit d'un modèle central unique. Celui-ci apprend à partir des données et des signaux de l'ensemble des plateformes publicitaires du groupe. Selon Meta, GEM a généré une hausse de 18,9 % des conversions et de 12 % du taux de clic sur l'ensemble de ses surfaces et objectifs. Sur l'année écoulée, il a aussi apporté des gains de conversion de 5,8 % sur Facebook, 4,1 % sur Instagram et 1,6 % pour les conversions hors plateforme auprès des utilisateurs ciblés. Le progrès repose sur trois briques techniques. La première est Kunlun, une architecture de type LLM conçue avec les derniers GPU, qui permet de traiter de longs historiques d'engagement. Meta y observe une loi d'échelle comparable à celle des grands modèles de langage, avec une complexité du modèle multipliée par 2,5. La deuxième est LoopFM, une technique de post-entraînement qui transmet les représentations internes de GEM aux modèles destinés à l'utilisateur. La troisième est Solaris, un système de précalcul élastique.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de Meta Engineering ML. Lire l'article original →
L'enjeu est d'abord économique. Faire tourner un modèle de cette taille en temps réel pour chaque annonce candidate serait trop coûteux et ralentirait l'affichage, au détriment de l'expérience utilisateur et du retour sur investissement des annonceurs. LoopFM double le transfert d'intelligence par rapport à la simple distillation de connaissances utilisée dans la version précédente, sans calcul ni latence supplémentaires. Pour les annonceurs, la promesse est une amélioration simultanée de la performance à tous les stades de l'entonnoir, de la notoriété à la conversion, avec une meilleure adéquation entre les annonces et les attentes des personnes. Pour le secteur, l'enjeu dépasse Meta. Les systèmes de recommandation n'obéissaient jusqu'ici pas aux lois d'échelle qui ont fait le succès des transformeurs en langage. Si cette progression se confirme, elle indique que la publicité pourra tirer parti de l'augmentation de la puissance de calcul de la même façon que les LLM.
Le contexte tient à la structure même de l'activité publicitaire de Meta. 3,6 milliards de personnes utilisent chaque jour au moins l'une de ses applications, réparties sur des dizaines de surfaces comme Facebook, Instagram, Reels ou Stories. Chaque surface et chaque objectif d'optimisation disposait auparavant de son propre système de prédiction indépendant. Plus la plateforme gagnait en surfaces et en objectifs, plus il devenait difficile d'améliorer la performance partout à la fois. Les difficultés propres à la recommandation compliquaient encore la tâche : des caractéristiques massives et hétérogènes, et des distributions de données changeantes. GEM répond à cela avec un moteur de calcul unifié qui prédit conjointement clics et conversions sur toutes les surfaces. La suite s'annonce dans l'extension de cette approche à l'ensemble de l'écosystème publicitaire de Meta, avec du matériel de nouvelle génération pour augmenter encore le calcul et le transfert d'intelligence.
Pas d'impact direct sur la France/UE