Meta GEM 推薦基石模型深剖：大廠限定的工程地獄與落地取捨

Meta 最近揭露了其廣告推薦中央大腦 GEM（Generative Ads Recommendation Model） 的技術細節。公關數據非常漂亮：Instagram 廣告轉換率提升 5%，Facebook Feed 提升 3%，訓練效率是傳統蒸餾的 2 倍。

但站在做落地判斷的工程師視角，這是一篇典型的「大廠資源秀肌肉」報告。它堆砌了萬卡 GPU、自研 NCCLX 通訊與 Jagged Tensor 算子。以下我們直接扒開架構，評估其真正的工程代價與落地可行性。

一、 架構設計：解決稀疏性，但代價是推理延遲（Inference Latency）

推薦系統的核心痛點在於特徵空間極度稀疏（Sparse）與行為序列長度不一。GEM 採用了三個關鍵架構來應對：