「技术传播」是什么:Meta 称超过 60% 的广告排序模型技术推广已由 AI 智能体完成
Meta 在其工程博客中称,自 2026 年 3 月智能体开始主导执行以来,估计超过 60% 的广告排序模型「技术传播」(technique propagation)由 AI 智能体完成。所谓技术传播,是指把在一个广告排序模型上验证过的架构改进、训练优化等技术,推广到大量不同的广告排序模型上。
它解决什么问题
Meta 称,其广告推荐系统由大量不同的广告排序模型驱动,每个模型服务于不同的产品界面和广告主目标,各自拥有独立的架构、训练数据和服务约束。在一个模型上验证过的技术几乎无法直接复制到另一个模型上。与此同时,ML 技术存在「保质期」——今天能带来收益的创新,可能在几个模型开发周期内就会被取代。技术越快覆盖整个模型群,在下一代技术到来之前能交付的价值就越大。
Meta 称,将不断增长的已验证技术推广到庞大且多样的模型群,会产生一个组合式膨胀的技术-模型空间,工程带宽和算力是两个主要约束。传统做法是由领域专家工程师逐个手动适配,每次适配都需要深入了解技术本身和目标模型,工程吞吐量因此受限于人力。而每次适配尝试都需要一次训练运行,在有限的算力预算下,大部分尝试会产生次优结果。
它怎么做
Meta 称,技术传播系统围绕三项能力构建:发现(Discovery)、泛化(Generalization)和采纳(Adoption)。
发现阶段回答两个问题:有哪些已验证的技术,以及它们对模型群中每个模型的适用性如何。Meta 称,智能体不受单个专家知识或工程带宽的限制,它们从共享知识库中提取信息,同时对整个模型群进行评估,生成按预期影响排序的优先级技术列表。工程师只需审查智能体的评估结果并做出决策。发现阶段衡量智能体选择的技术-模型候选的精确率和召回率。
泛化阶段是将在一个模型上验证过的技术重新实现,使其适用于架构、特征表示、训练数据和服务约束不同的模型。Meta 称,泛化分为两种方式。一是模板泛化:对于基于标准化模板构建的模型,智能体协助构建、评估和改进模板本身,在模板层面验证一次技术,其算力成本远低于逐模型适配。Meta 称,过去两年间,通过标准化和自动化,已交付 5,000 多个技术-模型组合,同时将每个模型的工程时间减少了 92%。二是定制泛化:对于最高收入模型,工程师仍为每个模型定制技术,智能体在工程师首次将技术应用于少量模型时跟随学习,记录每次变更和结果,编码哪些有效、哪些无效、哪些决策是模型特定的还是可泛化的,然后为剩余模型提出并测试适配方案,由工程师审查和引导。
Meta 称,智能体基于数百万次历史训练运行和每个目标模型的属性,从最可能有效的配置开始,利用每轮训练结果缩小下一轮的超参数搜索空间,并决定哪些实验值得继续、哪些应提前终止。
采纳阶段将泛化后的技术逐模型上线。Meta 称,智能体启动实验、管理跨多天的异步训练运行、对每个模型进行微调、监控收敛、从故障中恢复,并组装可上线的提案。当故障发生时——无论是基础设施问题、训练发散还是数据管道错误——集成的调试和恢复机制会诊断根因并实施针对性修复或重试。智能体还监控并发训练任务,按收入重要性、技术潜力和截止日期排序,从停滞或低价值运行中回收算力,使 GPU 始终指向最高价值的工作。采纳阶段额外衡量完成一次实验所需的人工干预次数,以及智能体自行诊断和缓解问题的比例。
和以前有何不同
Meta 称,以智能体介入之前的同类工作为基线,早期结果显示:工程生产率提升 3 倍(每位工程师现在能处理 3 倍的技术-模型适配),部分技术-模型组合的训练算力中位数降低 4 倍,预计到年底节省超过 4500 万美元的算力开支。此前,工程师必须逐一监控每次运行、手动分诊每个故障并重启,每人只能同时处理少量模型;现在工程师在决策节点保持监督,审批计划和设定优先级。
Meta 称,智能体驱动的传播与工程师驱动的传播采用相同的评估标准:技术必须在预测性能的离线指标(如归一化熵 NE)上有所改善,同时不能在训练或推理成本等关键护栏指标上退步,之后还必须在在线 A/B 测试中取得统计显著的胜出才能上线。
目前的边界
Meta 称,最高收入模型仍由工程师主导定制,智能体在工程师旁辅助学习。人类在整个传播流程中仍是关键利益相关方,审查关键决策、确认判断并最终审批上线内容。
Meta 称,目前每项已验证技术覆盖所有适用模型可能需要超过一年时间,其目标是将这一周期缩短到三个月。实现这一目标意味着智能体驱动的工作流需要达到当前端到端吞吐量的 5 倍。Meta 称正持续投入自我演进学习,通过智能体基于积累的结果优化自身策略——而非仅依赖人工提供的启发式规则——来改善泛化质量、算力效率和执行能力。
主题分类:技术与产业
参考资料
- How Meta Uses AI Agents to Scale ML Innovations Across Ads Ranking Models — Meta Engineering, 2026-11-18