Инфраструктура рекламы Meta* экономит миллисекунды моделью на 6 млрд параметров
Десятипроцентный прирост эффективности ранжирования рекламы сверх стандартных улучшений моделей и систем с 2017 года свелся к тому, как вычислительные мощности распределяются по серверам кластера. Согласно техническому отчету инженерного подразделения Meta*, архитектуры ранжирования рекламы приближаются к масштабам больших языковых моделей быстрее, чем успевает расти производительность базового оборудования. В то время как конкурирующий сервис Google Ads 15 июня 2026 года пошел по алгоритмическому пути, сократив объем экспериментальных обучающих выборок со 100 000 до 500 примеров с повышением точности согласования с экспертными оценками на 65%, физические лимиты инфраструктуры инференса создают жесткие ограничения себестоимости каждого запроса.
Экспоненциальное усложнение рекомендательных рекламных систем требует отказа от статического резервирования мощностей в пользу динамического распределения ресурсов на основе предельной полезности каждой вычислительной единицы. Ключевой риск заключается в отставании серверного парка от растущей сложности моделей, что подрывает юнит-экономику высоконагруженных рекламных платформ.
«Модели ранжирования рекламы растут до масштабов LLM быстрее, чем аппаратное обеспечение успевает за ними».
Инженеры Meta отмечают, что система Intelligent Delivery создавалась на базе машинного обучения для перераспределения вычислительной мощности по всему стеку выдачи ради достижения общесистемного оптимума. Это решение обеспечило дополнительные ~10% к эффективности ранжирования рекламы на ключевых площадках с 2017 по первую половину 2026 года.
Отказ от ручных эвристик
Обслуживание рекламных запросов на базе глобально распределенного гетерогенного парка серверов, охватывающего множество дата-центров, несколько поколений железа и миллионы хостов, исключало прямолинейное наращивание оборудования. Изначально инженеры Meta сглаживали перекосы производительности с помощью грубой сегментации: входящие запросы группировали по типу плейсмента, контексту и формату креатива. Однако этот эвристический подход быстро зашел в тупик из-за операционных издержек: новые сигналы порождали лавину правил, не способных учесть нелинейные связи между тысячами переменных.
Перед разработчиками встала задача: как инфраструктура может заранее определить, какие именно рекламные запросы оправдывают глубокий вычислительный анализ еще до старта выборки кандидатов?
Для устранения этого узкого места Meta внедрила Resource Core Model — архитектуру глубокого обучения с 6 миллиардами разреженных и 20 миллионами плотных параметров. Данный слой запускается один раз перед отбором кандидатов и используется сквозным образом во всей воронке доставки. По данным Meta, этот архитектурный сдвиг позволил на 20% точнее выявлять наиболее результативные рекламные запросы в офлайн-бенчмарках на ключевых плейсментах по сравнению с прежним рабочим решением.
Цена оптимизации в реальном времени
Чтобы уложиться в бюджеты задержки и снизить нагрузку на аппаратную часть, Meta адаптирует Resource Core Model в набор специализированных моделей. Они генерируют инкрементальные сигналы, отслеживающие результат показа, объем потребленных вычислений и влияние на задержку. При оценке этой архитектуры очевидны жесткие операционные компромиссы: запуск предварительного слоя на 6 миллиардов разреженных параметров создает фиксированный вычислительный налог еще до начала выборки кандидатов. Каждая миллисекунда, затраченная Resource Core Model на расчет предельной полезности, напрямую сжигает жесткий лимит задержки на высокочастотных аукционах. Это вынуждает инженеров постоянно балансировать между точностью распределения ресурсов и временем, которое потребляет сам оптимизационный слой.
«Мы добились примерно 20-процентного улучшения в определении наиболее ценных рекламных запросов в офлайн-тестах на основных площадках по сравнению с предыдущей продакшн-моделью».
Динамическая маршрутизация неизбежно влечет структурные задержки и алгоритмическую сложность, что, по мнению критиков, способно нивелировать прирост предельной полезности в условиях высокочастотных рекламных торгов. Тем не менее производственные метрики Meta подтверждают: Intelligent Delivery стабильно удерживает прибавку в ~10% к эффективности ранжирования вплоть до первого полугодия 2026 года благодаря замене статического резервирования адаптивным слоем под управлением ИИ.
Аппаратные мощности не могут масштабироваться с той же скоростью, с которой растут современные архитектуры глубокого обучения. Опыт динамического распределения ресурсов показывает: реальная рентабельность ИИ-систем сегодня зависит не от раздувания инфраструктурных бюджетов, а от строгого контроля предельной полезности каждой миллисекунды вычислений.
Что это значит
Удержание себестоимости рекламного инференса теперь требует тратить серверные мощности на оценку ценности самих запросов еще до аукциона. Чтобы не упереться в физические лимиты разнородных дата-центров, инженерам пришлось внедрить предварительную Resource Core Model с шестью миллиардами разреженных параметров. Однако этот алгоритмический фильтр сам по себе создает фиксированную вычислительную нагрузку и сжигает миллисекунды задержки прямо на входе в стек выдачи. Сможет ли Resource Core Model с 6 миллиардами разреженных параметров удерживать заявленные десять процентов прироста эффективности ранжирования, когда усложнение моделей рекламы окончательно исчерпает бюджет задержки на высокочастотных аукционах?
Источник: Engineering at Meta