你可以把广告推荐想成替用户从一大堆广告里排队：系统根据用户、广告和互动记录，预测哪些更值得展示。模型越大，训练需要的 GPU 越多；但机器开着，不代表每一分算力都真正用在模型计算上。Meta 官方工程博客称，它已把 Instagram 和 Facebook 广告推荐背后的基础模型 GEM 扩展到 LLM（大语言模型）规模，并改善了训练效率。
“翻倍”具体指什么？
GEM 是广告推荐的基础模型——先从大量数据和任务中学习，再供不同推荐场景复用。Meta 称，它现在使用数千块“最新一代 GPU”训练。
衡量效率的指标是 MFU，即模型 FLOPs 利用率：训练实际完成的模型浮点运算吞吐量，占硬件理论峰值吞吐量的比例。它有点像看一座工厂的机器，有多少产能真正用于生产，而不是耗在搬运和等待上。Meta 称，GEM 的端到端训练效率提高一倍，MFU 达到 20%–25%。与此同时，训练 FLOPs 增至原来的 4 倍。FLOPs 在这里表示训练完成的计算总量；扩大 4 倍说明计算规模变大，并不等于速度、成本或模型效果改善 4 倍。
为什么值得关注？
大模型训练不仅要堆 GPU，还要减少通信、数据搬运等环节造成的闲置。若官方数据成立，GEM 展示了广告推荐模型扩大计算规模时，仍能提高昂贵算力的实际利用率。这对推荐系统的生产化很有参考价值。
局限与未知
- 目前全部结果仅来自 Meta 官方博客，缺少论文、第三方评测和独立复现。
- 摘要未披露原始 MFU、测量口径、GPU 型号、模型规模和训练周期，因此“翻倍”无法独立核验。
- 材料没有提供广告效果、推荐质量或商业收益数据，不能据此推断这些方面有所提升。