Meta让AI智能体接手广告排序模型的技术迁移:已承担六成以上工作,部分组合训练算力中位降4倍
核心概要
Meta把广告排序模型之间迁移已验证机器学习技术的流程交给AI智能体执行。此前这类迁移依赖领域专家逐个模型手工适配,受工程人力与算力双重限制,多数技术难以覆盖全部模型。智能体结合大模型推理与专用机器学习工具,筛选候选、泛化实现并管理训练任务;自2026年3月起,Meta估计智能体承担了全部技术迁移工作的六成以上,在部分技术-模型组合上训练算力中位降低4倍。
深度剖析
Meta的广告排序模型组合由大量架构、训练数据和服务约束各不相同的模型组成,一项在某个模型上验证有效的技术几乎无法直接复制到下一个模型,而技术本身有保质期,越晚铺开价值越低。 此前的标准做法是由熟悉技术和目标模型的领域专家逐个模型手工研究、泛化和调参,结果最强,但吞吐量受工程人力封顶,无法覆盖整个模型空间。 Meta称过去两年通过标准化与自动化已交付5000多个技术-模型组合,并把单模型工程时间减少92%,但判断类决策仍需大量人力,因此引入智能体。
智能体承担的是迁移流程中需要判断的非确定性环节,包括判断哪项技术值得迁到哪个模型、超参数搜索该开多宽、模型为何没有收益以及如何发现并修复失败。 这些环节此前由专家凭个人知识逐个模型评估,智能体改为调用共享知识库,一次性面向整个模型群做评估并给出按预期影响排序的候选清单。 智能体结合大模型推理与专用机器学习工具,从数百万次既往训练运行和目标模型自身属性出发选择初始配置,用每轮结果收窄搜索空间,并决定哪些实验继续、哪些提前停止。
在采用阶段,智能体逐模型启动实验、管理持续多天的异步训练、微调模型、监控收敛、从失败中恢复并组装可提交的方案,同时按营收重要性、技术潜力和截止时间对并发任务排序。 过去工程师需要盯着每一次运行、手工分诊每个失败并重启,每人只能同时处理少数几个模型。 Meta估计自2026年3月智能体开始驱动执行以来,工程师生产力提升3倍,即每人可处理3倍数量的技术-模型适配,并估计到年底节省4500万美元以上算力。
启示与展望
这套流程针对Meta自身的广告排序模型群,覆盖发现、泛化和采用三个阶段,其中模板泛化适用于由标准模板构建的模型,定制泛化仍用于最高营收模型。经智能体迁移的技术与工程师迁移的技术采用同一套评估:先看归一化熵等离线预测指标提升且不损害训练或推理成本等护栏指标,再需在线A/B测试取得统计显著胜出才能上线。
Meta给出的3倍生产力、训练算力中位4倍下降和4500万美元以上节省均为估计,算力下降只在部分技术-模型组合上测得。目前全部已验证技术覆盖全部适用模型仍需一年多,Meta的目标是压缩到三个月,并希望端到端吞吐再提升到5倍,这一目标尚未实现。
