GEM — Generative Ads Recommendation Model

Generative Ads Recommendation Model — El cerebro central de la publicidad de Meta

¿Qué es GEM?

GEM es el modelo fundacional más grande de Meta para sistemas de recomendación de anuncios, construido con un paradigma inspirado en LLMs (Large Language Models) y entrenado utilizando miles de GPUs. Fue presentado en noviembre de 2025 como el paso siguiente al despliegue de Andromeda.

GEM no reemplaza a Andromeda — los complementa. Andromeda recupera candidatos; GEM "propaga sus aprendizajes hacia cientos de modelos verticales en toda la pila de anuncios", incluyendo el ranking final que decide qué anuncio gana el auction.

El sistema completo

Los 3 pilares de innovación de GEM

Pilar 1

Escalado del modelo con arquitectura avanzada

Modelado de interacciones de características no-secuenciales usando máquinas de factorización apilables. Procesamiento de secuencias de comportamiento del usuario mediante estructura piramidal-paralela. Aprendizaje cruzado de características que preserva información completa del recorrido del usuario.

Pilar 2

Técnicas de post-entrenamiento para transferencia de conocimiento

Destilación de conocimiento con Student Adapter (2x más efectiva que destilación estándar). Aprendizaje de representaciones semánticamente alineadas. Compartición de parámetros entre modelos de la flota. Así GEM le "enseña" a cientos de modelos más chicos de forma eficiente.

Pilar 3

Infraestructura de entrenamiento mejorada

Paralelismo multidimensional. Kernels GPU personalizados. Optimizaciones de memoria. Resultado: entrenamiento eficiente a escala de LLM con miles de GPUs simultáneas.

Métricas de rendimiento confirmadas por Meta

Más eficiente en ganancias por unidad de datos y cómputo

Mayor efectividad vs. destilación de conocimiento estándar

23x

Incremento en FLOPS de entrenamiento efectivos

1.43x

Mejora en utilización de FLOPS del modelo (MFU)

+5%

Aumento en conversiones — Instagram

+3%

Aumento en conversiones — Facebook Feed

Cómo procesa los datos

Características secuenciales

GEM analiza el historial de actividad del usuario — miles de eventos previos (clicks, views, compras, interacciones) — para entender su comportamiento a lo largo del tiempo. Esto es lo que le permite hacer predicciones mucho más precisas que sistemas anteriores.

Características no-secuenciales

Al mismo tiempo procesa atributos demográficos, formatos creativos y características específicas de cada anuncio. La combinación de ambos tipos de señales en un modelo unificado es lo que diferencia a GEM.

Aprendizaje multi-dominio

GEM aprende de interacciones entre plataformas (Facebook, Instagram, Messenger, WhatsApp) mientras optimiza predicciones específicas por dominio. Un usuario activo en Instagram mejora las predicciones de ese mismo usuario en Facebook Feed.

Dirección futura (roadmap oficial)

✅ Implicancias de acción para Giro Digital

El historial del usuario es el activo más valioso: GEM analiza miles de eventos de comportamiento. Dar señales limpias vía CAPI permite que el sistema construya mejores perfiles y matchee mejor.
Consistencia en conversiones: GEM aprende de patrones. Campañas estables con conversiones consistentes le dan mejor material de entrenamiento que spikes y cortes.
Cross-platform: Si un cliente tiene presencia en IG y FB, actuar en ambas superficies amplifica el aprendizaje de GEM sobre su audiencia.
Horizon 2026-2027: El modelo unificado orgánico+ads significa que el contenido orgánico de calidad de un cliente va a influir directamente en el performance de sus anuncios pagos. Producción de contenido orgánico = inversión en ads también.