Meta lança o Your algorithm, que dá ao usuário mais controle sobre as recomendações do Facebook

A Engineering at Meta detalhou como o Your algorithm funciona por dentro. A premissa: sistemas de recomendação clássicos aprendem com sinais implícitos de engajamento, o que escala bem, mas adapta devagar e capta pouca nuance. Aqui, o usuário declara em linguagem natural o que quer ver, e uma coleção de LLMs entende, armazena e acompanha essas preferências junto com o comportamento. O lançamento oficial está disponível.

O ponto técnico mais interessante é o uso de modelos diferentes por tarefa. Um modelo menor valida cada edição (checa se a frase é um tópico coerente, detecta duplicatas e normaliza o nome), e o interesse validado ganha embedding e palavras-chave de busca antes de ir para um repositório único lido por Feed e Reels. No fim do funil, um LLM com fine-tuning revisa a lista ranqueada e remove itens ligados ao que entrou em Not Interested In. Segundo a Meta, um modelo pequeno treinado para devolver só os itens a remover foi mais rápido e confiável que um modelo geral julgando item por item. Para avaliar tudo isso, outro LLM atua como juiz, já que métricas offline padrão não dizem se um Lately Summary está correto.

O recurso já havia aparecido na cobertura do CEVIU. Em 14 de outubro de 2026, o CEVIU noticiou "Meta concede mais controle no Facebook: moldando seu Feed com o 'Seu Algoritmo'", sobre o lançamento para Feed e Reels, e no mesmo dia publicou "Facebook revoluciona Feed e Reels com IA que ouve você". Em 21 de abril de 2026, em "Instagram Expande 'Seu Algoritmo' para o Explorar, Dando Mais Controle ao Usuário", o CEVIU registrou o recurso no Instagram. A novidade de agora é a explicação da arquitetura: retrieval por interesse, camadas de filtragem, entrega suplementar e o papel de cada LLM.

Para quem trabalha com recomendação, a leitura é que preferência declarada vira camada de controle sobre o ranking, não substituta dele. O desenho de quatro fontes de retrieval por interesse, com limite diário e rodízio entre interesses, mostra como evitar que um tema novo domine o feed. E o filtro em camadas para Not Interested In (embedding, demotion, LLM reranker, cache no dispositivo) é um bom exemplo de como combinar métodos rápidos e grosseiros com um verificador mais caro só no final.