Meta称AI Agent已处理其广告排序技术传播逾六成工作
Meta工程团队发布技术博客,说明在模板自动化处理确定性步骤后,AI Agent接管了技术传播中的判断决策:评估哪些技术值得传播到哪些模型、如何收窄超参数搜索空间、诊断训练失败并恢复、在数百个并发作业间分配算力。Meta估计Agent已处理超过60%的技术传播工作,报告3倍工程生产力和中位数4倍训练算力节省,但这些数字的测量范围各有边界。
Meta的广告排序系统由大量异构模型组成,每个模型有独立架构、训练数据和推理约束。一项在某个模型上验证成功的ML技术(如Wukong因子化层、Interformer交互网络)几乎无法直接复制到下一个模型。Meta此前通过标准模型模板(SMT)将模型组织为可复用的组件,使技术验证一次即可自动传播到所有基于该模板的模型,两年内交付了5000多个技术-模型组合,将每模型工程时间降低了92%。但模板自动化只解决了确定性步骤,剩余的关键决策——哪项技术值得传播到哪个模型、超参数搜索应该多宽、模型为何没有提升、如何检测并恢复失败——仍然依赖工程师的人工判断。
Meta描述AI Agent在三个阶段接管了这些判断决策。发现阶段,Agent基于共享知识库(积累的历史训练运行记录、模型架构和技术结果)同时评估整个模型舰队,生成按预期影响排序的技术-模型候选列表,取代了此前领域专家逐个模型评估的方式。泛化阶段,Agent利用数百万次历史训练运行的结果,从最可能有效的配置出发,用每轮训练结果收窄下一轮搜索空间,并决定哪些实验值得继续、哪些应提前终止。采纳阶段,Agent管理数百个并发训练作业,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GPU容量。
Meta报告的效率数字各有测量边界。60%覆盖率是估计值,自2026年3月Agent开始驱动执行以来计算。3倍生产力是对比Agent介入前的相同工作衡量。4倍算力节省是中位数,且明确限定在部分技术-模型组合。4500万美元节省是到年底的预估。Meta同时指出,对最高收入模型仍采用工程师主导的定制适配,Agent在此模式下是学习工程师的决策后辅助推广到其余模型。目前一项已验证技术到达所有适用模型仍需超过一年,Meta的目标是缩短到三个月,这意味着还需要将Agent驱动的工作流推向5倍端到端吞吐量。