✓ 28 октября 2026 года Meta раскрыла новую версию Andromeda — системы, которая отбирает кандидатов для показа рекламы до финального ранжирования. Публикация дополнила серию технических материалов о GEM, GenRecs и многоэтапной архитектуре рекламных рекомендаций. Вместе они описывают не отдельную настройку в Ads Manager, а перестройку того, как платформа ищет подходящие объявления, понимает их содержание и оценивает вероятность полезного действия.
Для рекламодателя важен практический вывод: ручного переключателя «включить Andromeda» нет. Новые модели работают внутри рекламной системы, а эффект зависит от качества сигналов, разнообразия креативов, корректной цели и измерения. Поэтому реагировать на обновление нужно не переносом бюджета в новый тип кампании, а проверкой данных и структуры экспериментов.
Что именно изменила Meta
Рекламная рекомендация решает задачу в несколько этапов. Сначала система должна быстро найти небольшое число подходящих объявлений среди огромного доступного набора. Затем более тяжёлые модели оценивают отобранных кандидатов точнее и определяют порядок показа. Наконец аукцион учитывает ставку, прогноз результата и качество рекламы.
В этой цепочке три названия выполняют разные функции:
- Andromeda отвечает за retrieval — быстрый первичный поиск кандидатов;
- GEM служит общей модельной основой, которая переносит знания между поверхностями, целями и типами взаимодействия;
- GenRecs переводит объекты и поведение в устойчивый словарь токенов, чтобы модели могли понимать связи между объявлениями, товарами, страницами и сигналами пользователя.
Эти компоненты нельзя считать тремя независимыми продуктами. Они усиливают друг друга: retrieval должен находить достаточно разнообразные и релевантные варианты, общая модель — оценивать сложные закономерности, а токенизация — давать системе стабильный язык для описания объектов.
Andromeda: быстрый поиск до финального рейтинга
По данным Meta Engineering, новая Andromeda обрабатывает более миллиарда объявлений в секунду и отбирает кандидатов с точностью, приближенной к более дорогим ranking-моделям. На одном ускорителе NVIDIA GH200 система может превышать десять миллиардов объявлений в секунду, используя примерно в 300 раз меньше вычислений на инференс, чем версия Andromeda 2024 года.
Эти цифры описывают инфраструктуру Meta, а не доступный рекламодателю объём аудитории. Их смысл в другом: платформа может рассматривать более широкий набор вариантов до того, как отправить несколько тысяч кандидатов на последующую оценку. При росте числа автоматических креативных комбинаций это критично. Если первый этап слишком грубый, хорошее объявление не попадёт в финальный аукцион независимо от качества следующих моделей.
Архитектура новой Andromeda сочетает общую модель и специализированные блоки. Общая часть изучает закономерности, полезные для разных объявлений, а специалисты глубже обрабатывают отдельные типы сигналов. Система маршрутизации решает, какие специалисты нужны для конкретного запроса, поэтому вычисления не тратятся одинаково на каждый кандидат.
Meta сообщает, что с 2025 года Andromeda дала прирост конверсий на Facebook на 2,4%. Это агрегированный внутренний результат платформы. Он не означает, что отдельный рекламодатель автоматически получит такой же рост: эффект зависит от рынка, цели, качества событий и других изменений, которые происходили одновременно.
GEM: общая модель рекламных рекомендаций
GEM — Generative Ads Recommendation Model — создавалась как модель, способная переносить знания между разными рекламными задачами. Вместо полностью изолированных систем для каждого плейсмента или события она обучается на более широком наборе последовательностей и взаимодействий.
В январе 2026 года Meta сообщала, что увеличила вдвое число GPU для обучения актуальной версии GEM. Новая архитектура использовала более длинные последовательности поведения и органические сигналы Instagram. По данным компании, это сочетание дало в четвёртом квартале 2025 года рост кликов по рекламе Facebook на 3,5% и более чем 1% прироста конверсий в Instagram.
Практическая ценность общей модели особенно заметна в редких событиях. У кампании с небольшим числом покупок недостаточно данных, чтобы быстро изучить все закономерности только на собственных конверсиях. Общая модель может использовать связи, обнаруженные на более широких сигналах, а затем адаптировать их к конкретной задаче.
Но перенос знаний не отменяет настройку оптимизации. Если бизнес передаёт платформе событие, которое не связано с экономической ценностью, мощная модель будет лучше искать именно это событие. Оптимизация к дешёвому клику не превращится сама по себе в оптимизацию к маржинальной продаже.
GenRecs: устойчивый словарь для рекламы и поведения
GenRecs решает проблему представления объектов. В рекомендательной системе объявление, товар, страница, пиксель или действие пользователя должны быть преобразованы в форму, которую модель может сопоставлять. Обычные идентификаторы плохо помогают новому объекту: у свежего объявления ещё нет истории, а его ID ничего не говорит о бренде, стиле, товаре или аудитории.
Подход GenRecs создаёт структурированный словарь токенов. Токены отражают сходство объектов и могут использоваться на разных этапах retrieval и ranking. За счёт этого система получает более стабильное описание, чем при постоянном создании уникальных идентификаторов для каждого нового элемента.
Это важно для холодного старта. Новый креатив не обязан ждать большого числа показов, чтобы модель увидела его связь с уже известными объектами. Содержание, контекст и место в иерархии позволяют сформировать предварительное представление. В то же время токенизация не гарантирует успех нового объявления: система может быстрее понять, на что оно похоже, но не может создать убедительное предложение вместо рекламодателя.
Meta сообщает, что сочетание GenRecs с GEM и Adaptive Ranking Model дало 0,35% прироста конверсий на разных поверхностях. Снова это показатель внутреннего эксперимента, а не обещание результата конкретной кампании.
Почему больше креативов не означает больше дублей
Расширение retrieval делает разнообразие полезнее, но платформе не нужен набор почти одинаковых файлов. Двадцать роликов с одной сценой и заменённым цветом кнопки могут технически считаться разными объектами, но дают мало новых сигналов о мотивации аудитории.
Полезное разнообразие меняет смысловую гипотезу. Один креатив показывает проблему, второй — способ использования, третий — доказательство, четвёртый — цену или экономию, пятый — сценарий для конкретного сегмента. Различаться могут формат, первый кадр, герой, аргумент и стадия принятия решения.
Новая система повышает шанс, что подходящий вариант будет найден для конкретной ситуации. Но она не снимает ответственность за карту сообщений. Если все объявления обещают одно и то же одинаковыми словами, системе нечего выбирать кроме косметических вариантов.
Что проверить рекламодателю сейчас
1. Цель должна отражать реальный результат
Сопоставьте выбранное событие оптимизации с экономикой. Для интернет-магазина это может быть покупка с переданной ценностью, для услуги — квалифицированная заявка, для подписки — активация или удержание. Если оптимизация идёт по промежуточному событию, отдельно контролируйте его связь с выручкой.
Проверьте дедупликацию событий браузера и сервера, валюту, параметры value и порядок срабатывания. Ошибка в сигнале масштабируется вместе с автоматизацией.
2. Соберите матрицу креативных гипотез
До производства зафиксируйте, какую переменную проверяет каждый вариант. Удобная матрица включает аудиторию или ситуацию, ключевую боль, обещание, доказательство, формат и призыв к действию.
Не запускайте сразу десятки различий без маркировки. Названия объявлений и UTM-параметры должны позволять связать результат с гипотезой, а не только с номером файла.
3. Отделите обучение от оценки
Автоматическая система перераспределяет показы в пользу ранних победителей. Поэтому простой отчёт «объявление A получило больше конверсий, чем B» не всегда является честным сравнением: варианты могли получить разные аудитории, объём и время.
Для важных решений используйте заранее определённый период, минимальный объём данных и контролируемые эксперименты. Не выключайте новый креатив после нескольких дорогих показов, но и не продолжайте тест без ограничений, если он нарушает защитный KPI.
4. Смотрите на стоимость результата и его качество
CTR и CPM помогают диагностировать доставку, но не заменяют стоимость продажи, маржу, долю квалифицированных лидов или возврат рекламных расходов. Улучшение retrieval может увеличить клики без пропорционального роста бизнеса, если посадочная страница или предложение не соответствуют объявлению.
Добавьте к отчёту постклик-показатели: глубину просмотра, завершение формы, подтверждение лида, оплату, отмену и повторную покупку. Граница между рекламной системой и бизнес-результатом проходит не в Ads Manager.
5. Сохраняйте журнал изменений
Если одновременно заменить креативы, аудитории, событие, бюджет и посадочную страницу, невозможно понять источник изменения результата. Записывайте дату, причину и владельца каждой правки. Сравнивайте периоды с учётом сезонности и задержки конверсий.
Для крупных тестов заранее формулируйте критерий остановки: максимальную стоимость, минимальную долю качественных лидов или допустимое отклонение ROAS. Это защищает бюджет от решения задним числом.
Что новые модели не исправят
AI-ранжирование не компенсирует несоответствие продукта спросу, недоступный товар, медленную посадочную страницу или слабую обработку заявок. Оно также не подтверждает причинный эффект рекламы: платформа прогнозирует действие и распределяет показы, но рост отчётных конверсий может включать пользователей, которые купили бы и без контакта.
Для оценки дополнительного эффекта нужны lift-тесты, географические эксперименты или другие методы с контрольной группой. Атрибуция отвечает на вопрос, каким касаниям система присвоила результат. Инкрементальность отвечает, сколько результатов появилось благодаря рекламе. Это разные задачи.
Не стоит считать технические проценты Meta универсальным бенчмарком. Компания публикует агрегированные результаты собственных экспериментов, но не раскрывает все распределения по рынкам, категориям и бюджетам. Эти данные подтверждают направление развития, а не гарантируют конкретную доходность.
План действий на ближайший цикл кампаний
Начните с аудита события оптимизации и передачи ценности. Затем сгруппируйте текущие объявления по смысловым гипотезам и найдите повторы. Для каждой важной аудитории подготовьте несколько действительно разных аргументов, а не только визуальных вариаций.
После запуска не оценивайте систему по одному дню. Зафиксируйте окно обучения, защитные ограничения и момент разбора. Сравните не только среднюю цену результата, но и распределение по креативным гипотезам, качеству лидов и фактической выручке.
Если рекламные кампании, аналитика, креативы и посадочные страницы ведутся разными командами, их можно объединить в комплексное digital-продвижение: единая система целей и измерения помогает использовать автоматизацию без потери контроля над экономикой.
Главный вывод
Andromeda, GEM и GenRecs показывают, что Meta делает рекламные рекомендации одновременно шире и точнее: быстрее отбирает кандидатов, переносит знания между задачами и лучше представляет новые объекты. Для рекламодателя это не повод искать скрытую настройку, а сигнал улучшить входные данные.
Преимущество получит не тот, кто загрузит максимальное число похожих объявлений, а тот, кто передаст корректное бизнес-событие, создаст разнообразные смысловые гипотезы и измерит дополнительный результат. Чем сильнее автоматизация платформы, тем важнее качество цели и эксперимента за пределами рекламного кабинета.
Оставьте отзыв