Meta troca IDs por tokens semânticos e turbina a recomendação de anúncios com GenRecs
Aprofundamento CEVIU
Aprofundamento
A ideia central dos GenRecs é trocar o ID por item por um conjunto de tokens de um vocabulário semântico estável. Modelos multimodais pré-treinados leem texto e imagem de cada anúncio, produto ou página e geram um embedding. O tokenizador combina esse sinal de conteúdo com representações aprendidas do engajamento e quantiza tudo em uma sequência curta de tokens discretos. O pipeline tem três etapas: codificar o item em um espaço semântico, decompor o embedding em subespaços independentes e quantizar cada subespaço por um codebook. Itens parecidos compartilham tokens, como palavras compartilham raízes.
O ganho mais claro aparece na cauda. Anúncios com poucas impressões, produtos de nicho e páginas com pouco engajamento herdam o que o modelo já sabe de itens semelhantes, o que ataca o cold-start. O Meta reporta +0,35% em conversões, combinado ao GEM e ao Adaptive Ranking Model (dados internos de fevereiro de 2026). Outro detalhe técnico: em oito versões de tokenizador testadas, métricas intrínsecas (pureza de cluster, balanço de distribuição, uso do codebook) correlacionaram forte com a acurácia de previsão de CTR. Isso permite iterar no tokenizador sem esperar um ciclo completo de treino.
O que mudou
A cobertura anterior do CEVIU mostra a trilha até aqui. Em 4 de abril de 2026, o Adaptive Ranking Model entregava anúncios mais relevantes com menos computação. Em 20 de julho de 2026, a Meta comprimia usuários e entidades em clusters de interesses latentes. Agora a representação do item muda de base: sai o ID efêmero e entra o vocabulário semântico. O Adaptive Ranking Model e o GEM, antes tratados como peças separadas, aparecem aqui como parceiros do tokenizador no resultado de +0,35%.
Por que isso importa
Para quem constrói sistemas de recomendação, o recado é de arquitetura: a camada de dados passa a ser pensada para LLMs. O Instacart, em matéria de 18 de junho de 2026, seguiu caminho parecido com Semantic IDs no retrieval de anúncios. A Meta ainda avalia um espaço de tokens único para texto, imagem, áudio e vídeo, em vez de embeddings treinados separadamente.
Linha do tempo
CEVIU cobre ganhos de performance do Meta Lattice em toda a Meta.
Meta melhora a entrega de anúncios com o Adaptive Ranking Model, usando menos computação.
Instacart adota Semantic IDs e retrieval generativo de anúncios.
Meta aprofunda otimização de funil com representação hierárquica de interesses.
Meta dobra a eficiência de treinamento dos modelos de anúncios.
Meta usa capacidade ociosa de IA para refinar recomendações de anúncios.
Meta apresenta a GenRecs Tokenization, com +0,35% em conversões.
Perguntas frequentes
O que são os GenRecs do Meta?
Generative Recommenders são sistemas que usam arquitetura de LLM para raciocinar em conjunto sobre o conteúdo do anúncio e as preferências do usuário. Antes, o foco era pontuar cada anúncio candidato individualmente. A promessa é prever o melhor resultado para o anunciante, até com produtos novos sem histórico.
O que é a GenRecs Tokenization?
É a representação de dados que substitui um ID dedicado por item por tokens de um vocabulário semântico estável. Vale para anúncios, produtos, páginas e pixels. Como os tokens descrevem o que o item é, um tênis de trilha novo herda o que o modelo já aprendeu da categoria.
Qual foi o ganho medido?
O Meta reporta +0,35% em conversões entre superfícies, combinando a tokenização com o GEM e o Adaptive Ranking Model. O dado é interno e foi medido em fevereiro de 2026.
Por que isso ajuda anúncios de cauda?
Anúncios com poucas impressões generalizam pela estrutura de conteúdo compartilhada, recuperando desempenho de cold-start. Previsões melhores na cauda geram dados de treino melhores, o que melhora as previsões para todos os anúncios.
Fontes
- engineering.fb.comfonte original
- Categoria
- CEVIU IA
- Publicado
- 21 de outubro de 2026
- Editoria
- CEVIU IA