Meta GEM โมเดลโฆษณาตัวเดียว อ้างคอนเวอร์ชันเพิ่ม 18.9% แต่ไม่บอกค่าฐาน

Meta เปิดเผยเมื่อวันที่ 13 ต.ค. 2569 ว่า Generative Ads Model (GEM) ช่วยให้คอนเวอร์ชันดีขึ้น 18.9% และอัตราการคลิกโฆษณา (CTR) ดีขึ้น 12% ในพื้นที่โฆษณาและวัตถุประสงค์ต่างๆ ของ Meta ตามบทความเชิงเทคนิคบน Engineering at Meta บทความระบุว่า GEM รุ่นปี 2569 เปลี่ยนจากระบบทำนายที่แยกกันของ Facebook, Instagram และ Reels มาเป็นโมเดลกลางตัวเดียว อย่างไรก็ตาม Meta ไม่ได้เปิดเผยค่าฐาน (baseline) ช่วงเวลาที่วัด หรือวิธีทดสอบเบื้องหลังตัวเลขหลักทั้งสองตัว ผู้ลงโฆษณาจึงควรมองว่านี่เป็นตัวเลขที่ Meta รายงานเองและยังไม่มีบุคคลภายนอกตรวจสอบ

Meta ประกาศอะไรเกี่ยวกับ GEM เมื่อ 13 ต.ค. 2569

บทความนี้เขียนโดยวิศวกรของ Meta เจ็ดคน (Huayu Li, Darren Liu, Xiaoyi Liu, Ellie Wen, Jackie Xu, Chunzhi Yang และ Reva Srinivasan) โดยระบุว่า GEM คือ "foundation model ด้านระบบแนะนำ (RecSys) ที่ใหญ่ที่สุดในอุตสาหกรรม" Meta เปิดตัว GEM รุ่นแรกในปี 2568 ส่วนรุ่นปี 2569 คือหัวข้อของการอัปเดตครั้งนี้

สิ่งที่เปลี่ยนมากที่สุดคือโครงสร้าง Meta เขียนว่า GEM รุ่นใหม่เลิกใช้โมเดลแยกตามโดเมนสำหรับ Facebook, Instagram และ Reels แล้วหันมาใช้ foundation model กลางตัวเดียวที่ฝึกด้วยข้อมูลจากแพลตฟอร์มโฆษณาทั้งหมดของ Meta ในระบบเดิม แต่ละพื้นที่โฆษณาและแต่ละเป้าหมายการทำนายมีระบบของตัวเอง ในระบบใหม่ โมเดลเดียวทำนายทั้ง CTR ในทุกพื้นที่ และอัตราคอนเวอร์ชันในเป้าหมายการปรับให้เหมาะสมหลักๆ ไปพร้อมกัน Meta บอกว่านี่เป็นโมเดลแรกที่ทำทั้งสองอย่างร่วมกัน

Meta รายงานผลไว้สองชุด

• คอนเวอร์ชันดีขึ้น 18.9% และ CTR โฆษณาดีขึ้น 12% "ในพื้นที่โฆษณาและวัตถุประสงค์ต่างๆ ของ Meta" โดยบทความไม่ได้ระบุค่าฐานหรือช่วงเวลาของตัวเลขชุดนี้
• คอนเวอร์ชันเพิ่มขึ้น "สำหรับผู้ใช้กลุ่มเป้าหมายในช่วงปีที่ผ่านมา" 5.8% บน Facebook, 4.1% บน Instagram และ 1.6% สำหรับคอนเวอร์ชันนอกแพลตฟอร์ม (off-site) บทความไม่ได้อธิบายว่า "ผู้ใช้กลุ่มเป้าหมาย" หมายถึงใคร

สรุปตัวเลข GEM ที่ Meta เผยแพร่

ตารางด้านล่างรวบรวมตัวเลขที่ Meta เผยแพร่เมื่อ 13 ต.ค. 2569 พร้อมสิ่งที่บทความผูกตัวเลขแต่ละตัวไว้

โมเดลกลางตัวเดียวเปลี่ยนการส่งโฆษณาอย่างไร

ส่วนที่คนซื้อสื่อควรสนใจที่สุดคือการที่ข้อมูลการคลิกถูกนำไปใช้ทำนายคอนเวอร์ชัน Meta เขียนว่า สิ่งที่โมเดลเรียนรู้จากงานด้านการคลิกซึ่งมีข้อมูลมาก สามารถถ่ายโอนไปใช้กับงานด้านคอนเวอร์ชันซึ่งมีข้อมูลน้อยได้ การคลิกเกิดขึ้นจำนวนมาก แต่การซื้อ การกรอกฟอร์ม หรือการติดตั้งแอปเกิดขึ้นน้อยกว่ามาก โมเดลที่ฝึกด้วยคอนเวอร์ชันของพื้นที่เดียวจึงมีข้อมูลให้เรียนรู้ไม่มาก เมื่อฝึกโมเดลเดียวด้วยข้อมูลทั้งหมด Meta บอกว่ารูปแบบการมีส่วนร่วมที่เรียนรู้จากพื้นที่หนึ่ง สามารถช่วยทำนายพฤติกรรมคอนเวอร์ชัน เช่น การซื้อ ในอีกพื้นที่หนึ่งได้

พูดง่ายๆ คือ พฤติกรรมของคนคนหนึ่งบน Instagram Reels ตอนนี้มีผลต่อการที่ Meta ทำนายว่าคนคนนั้นจะคอนเวอร์ชันจากโฆษณาใน Facebook Feed หรือไม่ เพราะการทำนายทั้งสองอย่างมาจากโมเดลเดียวกัน Meta ไม่ได้อธิบายเรื่องนี้ในมุมของผู้ลงโฆษณา และบทความไม่ได้พูดถึง Advantage+ หรือการตั้งค่าใดใน Ads Manager เลย การเชื่อมโยงไปถึงการตั้งแคมเปญจึงเป็นการอนุมาน ไม่ใช่สิ่งที่ Meta พูดไว้

Meta ยังระบุว่า GEM ใช้ "domain expert framework" คือมี expert ส่วนกลางที่เรียนรู้รูปแบบร่วมของทุกพื้นที่ และมี expert เฉพาะโดเมนที่จับลักษณะเฉพาะของแต่ละพื้นที่ โมเดลจึงเป็นตัวกลางก็จริง แต่ยังเก็บพฤติกรรมเฉพาะของแต่ละพื้นที่ไว้ส่วนหนึ่ง

Kunlun สถาปัตยกรรมใหม่

Meta ตั้งชื่อสถาปัตยกรรมใหม่ว่า Kunlun และบอกว่าให้ประสิทธิภาพสูงกว่า Interformer ซึ่งเป็นแบบเดิม 2 เท่าที่ระดับการประมวลผลเท่ากัน และรองรับความซับซ้อนของโมเดลที่เพิ่มขึ้น 2.5 เท่า แต่ละชั้นของ Kunlun รวม attention ส่วนสรุปข้อมูล และโมดูลแบบ mixture-of-experts ไว้ด้วยกัน มีส่วนประกอบหนึ่งชื่อ CompSkip ที่ข้ามโมดูลลำดับข้อมูลบางส่วน ทำให้ FLOPS ลดลง 43% โดย Meta บอกว่าคุณภาพลดลง "เพียงเล็กน้อยมาก" อีกส่วนหนึ่งชื่อ OneSeq รวมลำดับเหตุการณ์ของผู้ใช้หลายประเภทให้เป็นสายเดียวตามลำดับเวลา

ประวัติผู้ใช้ที่ยาวขึ้น

Meta ระบุว่า GEM เพิ่มความยาวบริบทการมีส่วนร่วมที่ใช้ในระบบจริงเป็น 2 เท่า และแสดงให้เห็นว่าขยายได้ถึง 25 เท่า บทความรายงานว่าคุณภาพการทำนายแปรผันตามความยาวลำดับข้อมูลแบบ power law และโมเดลที่ใหญ่กว่าได้ประโยชน์จากประวัติที่ยาวขึ้นมากกว่า แต่ Meta ไม่ได้บอกว่าประวัติที่ใช้จริงยาวกี่วัน กี่เซสชัน หรือกี่เหตุการณ์ ตัวเลข "2 เท่า" จึงแปลงเป็นสิ่งที่ผู้ลงโฆษณาตรวจสอบได้ไม่ได้

ทำไม GEM ไม่ได้เป็นตัวส่งโฆษณาโดยตรง

GEM ใหญ่เกินกว่าจะประเมินทุกคำขอโฆษณาแบบเรียลไทม์ ตามบทความวันที่ 13 ต.ค. 2569 ความรู้ของ GEM ถูกส่งต่อไปยัง "โมเดลเฉพาะทางหลายร้อยตัว" ที่ทำหน้าที่เสิร์ฟโฆษณาจริง Meta อธิบายวิธีส่งต่อความรู้ไว้สามแบบ

• Knowledge distillation ซึ่งเป็นวิธีเดิม Meta บอกว่าได้ผล แต่ส่งผ่านข้อมูลได้จำกัด
• LoopFM ซึ่งบีบอัด representation ภายในของ GEM แล้วรวมกับ representation ก่อนหน้าของผู้ใช้คนเดิม Meta อ้างว่าถ่ายโอนความรู้ได้ดีกว่า knowledge distillation 2 เท่า โดยไม่เพิ่มต้นทุนหรือความหน่วงของ foundation model
• Solaris ซึ่งคำนวณ embedding ของคู่ผู้ใช้กับโฆษณาไว้ล่วงหน้าในงานเบื้องหลัง สำหรับคำขอที่น่าจะเกิดขึ้น ถ้าไม่มี embedding ที่ตรงกันพอดี Solaris จะใช้ค่ารวมของ embedding ล่าสุดของผู้ใช้คนนั้นในกลุ่มโฆษณาเดียวกัน หรือใช้ข้อมูลของผู้ใช้ที่มีพฤติกรรมคล้ายกันแทน

กลไกสำรองของ Solaris น่าสังเกต เมื่อระบบไม่มีสัญญาณล่าสุดของใครสักคน ระบบจะยืมข้อมูลจากคนที่คล้ายกัน

ขนาดการฝึกโมเดล

Meta ระบุว่า GEM ฝึกบน GPU รุ่นล่าสุด "หลายพันตัว" ปริมาณการประมวลผลรวมในการฝึกเพิ่มขึ้น 4 เท่า ขณะที่ประสิทธิภาพโดยรวมเพิ่มเป็นสองเท่า มาอยู่ที่ 20-25% model FLOPS utilization Meta ไม่ได้เปิดเผยต้นทุนการฝึก การใช้พลังงาน หรือจำนวนพารามิเตอร์

สิ่งที่ Meta ไม่ได้เปิดเผย

บทความนี้เป็นบล็อกวิศวกรรมของ Meta เอง เขียนโดยคนที่สร้างระบบ เกี่ยวกับระบบของตัวเอง และยังไม่มีบุคคลภายนอกตรวจสอบตัวเลข ช่องว่างที่เห็นชัดมีดังนี้

• ไม่มีค่าฐานของตัวเลข 18.9% และ 12% ไม่ได้บอกว่าดีขึ้นเมื่อเทียบกับโมเดลไหน และในช่วงเวลาใด
• ไม่มีวิธีการวัด บทความไม่ได้บอกว่าตัวเลขมาจากการทดสอบ A/B กับผู้ใช้จริง หรือการประเมินแบบออฟไลน์
• ไม่มีคำจำกัดความของ "ผู้ใช้กลุ่มเป้าหมาย" สำหรับตัวเลข 5.8%, 4.1% และ 1.6% และไม่ได้อธิบายว่าตัวเลขชุดนี้อยู่ใน 18.9% หรือบวกเพิ่มจากนั้น
• ไม่มีการแยกตามประเทศ อุตสาหกรรม หรือวัตถุประสงค์แคมเปญ ไม่มีส่วนใดในบทความที่พูดถึงประเทศไทยหรือเอเชียตะวันออกเฉียงใต้

PPC Land สื่อสายการตลาดที่วิเคราะห์บทความนี้ ชี้ว่าในการแถลงผลประกอบการ Meta เคยให้ตัวเลขของ GEM ที่ต่างออกไป PPC Land รายงานว่าในเดือน ก.ค. 2569 Meta อ้างถึงคอนเวอร์ชันบน Facebook ที่เพิ่มขึ้น 15.7% จาก GEM ร่วมกับโมเดลทำความเข้าใจผู้ใช้ ขณะที่บทความใหม่ให้ตัวเลข Facebook ไว้ที่ 5.8% โดยไม่ได้อธิบายความต่าง PPC Land ยังตั้งข้อสังเกตว่าตัวเลข 1.6% ของคอนเวอร์ชันนอกแพลตฟอร์ม ตรงกับผลที่ Meta เคยยกให้โมเดลอีกตัวหนึ่ง ข้อสังเกตเหล่านี้เป็นของ PPC Land บทความของ Meta เองไม่ได้ตอบประเด็นเหล่านี้

ทั้งหมดนี้ไม่ได้แปลว่าผลลัพธ์เป็นเท็จ แต่แปลว่าผู้ลงโฆษณาไม่ควรคาดว่าคอนเวอร์ชันที่เพิ่มขึ้น 18.9% จะเกิดขึ้นในบัญชีของตัวเอง ตัวเลขของ Meta วัดโดย Meta เทียบกับค่าฐานที่ Meta ไม่ได้เปิดเผย

ผู้ลงโฆษณาบน Meta ควรตรวจอะไรบ้าง

รายการด้านล่างเป็นบทวิเคราะห์ ไม่ใช่คำแนะนำจาก Meta บทความไม่ได้พูดถึงการตั้งค่าใดใน Ads Manager สำหรับ GEM สิ่งที่ผู้ลงโฆษณาควบคุมได้คือสัญญาณที่โมเดลใช้เรียนรู้ และพื้นที่ที่เปิดให้โมเดลส่งโฆษณา

1. คุณภาพของสัญญาณคอนเวอร์ชัน

บทความของ Meta บอกว่าข้อมูลการคลิกซึ่งมีมากช่วยให้โมเดลทำนายคอนเวอร์ชันซึ่งมีข้อมูลน้อยได้ แต่โมเดลยังต้องมีเหตุการณ์คอนเวอร์ชันจริงให้เรียนรู้ ควรตรวจว่า Meta Pixel และ Conversions API ส่งเหตุการณ์ที่ใช้ปรับแคมเปญให้เหมาะสมครบทั้งสองทาง เหตุการณ์การซื้อหรือ lead ถูกตัดข้อมูลซ้ำ (deduplication) อย่างถูกต้อง และคะแนน event match quality ใน Events Manager ไม่ต่ำ ต่อให้โมเดลเรียนรู้จากการคลิกได้ดีแค่ไหน ถ้าเหตุการณ์คอนเวอร์ชันยิงบนหน้าขอบคุณที่คนเข้าถึงได้โดยไม่ต้องซื้อ โมเดลก็จะปรับไปหาผลลัพธ์ที่ผิด

2. การจำกัดตำแหน่งโฆษณา

ถ้าตอนนี้โมเดลเดียวเรียนรู้ข้าม Facebook, Instagram และ Reels แคมเปญที่ล็อกไว้ที่ตำแหน่งเดียวก็ให้พื้นที่โมเดลน้อยลง ไม่ได้หมายความว่าทุกแคมเปญต้องเปิดทุกตำแหน่ง กฎด้าน brand safety รูปแบบครีเอทีฟ และผลในอดีตของบัญชีเองเป็นเหตุผลที่ดีในการจำกัด แต่ถ้าแคมเปญถูกจำกัดตำแหน่งเพราะความเคยชินมากกว่าหลักฐาน ตอนนี้ก็เหมาะที่จะทดสอบเทียบกับ Advantage+ placements แบบมีกลุ่มควบคุม

3. ครีเอทีฟที่ทำมาสำหรับแต่ละพื้นที่

การเปิดตำแหน่งกว้างจะได้ผลก็ต่อเมื่อโฆษณาใช้ได้ดีในที่ที่มันไปปรากฏ ภาพนิ่งสี่เหลี่ยมจัตุรัสที่ไปโผล่ใน Reels มีโอกาสทำผลงานได้ไม่ดี ไม่ว่าโมเดลทำนายจะเก่งแค่ไหน การเตรียมวิดีโอแนวตั้งสำหรับ Reels และ Stories ควบคู่กับรูปแบบสำหรับ Feed ทำให้ระบบมีตัวเลือกที่ใช้ได้ในแต่ละพื้นที่

4. วัดผลส่วนเพิ่มจริง ไม่ใช่ดูแค่ตัวเลขในแพลตฟอร์ม

ตัวเลข CTR ที่ดีขึ้น 12% วัดโดย Meta การคลิกและคอนเวอร์ชันที่ระบบระบุแหล่งที่มาใน Ads Manager ไม่ได้พิสูจน์ว่ายอดขายเพิ่มขึ้นจริง ควรเทียบคอนเวอร์ชันที่ Meta รายงานกับข้อมูลใน CRM, Shopify, LINE OA หรือ GA4 และใช้กลุ่ม holdout หรือ conversion lift study เมื่องบประมาณเอื้ออำนวย ถ้าตัวเลขใน Meta เพิ่มขึ้นแต่ยอดขายหลังบ้านนิ่ง เป็นไปได้ว่าโมเดลกำลังหาคนที่จะซื้ออยู่แล้วแม้ไม่เห็นโฆษณา

5. อย่าเปลี่ยนทุกอย่างพร้อมกัน

การเปลี่ยนแปลงของ GEM เกิดขึ้นฝั่ง Meta ตลอดปีที่ผ่านมา ถ้าผลลัพธ์ของบัญชีขยับในช่วงนั้น ก็ชวนให้ยกความดีหรือโทษให้โมเดล แต่ถ้าไม่มีการเปรียบเทียบแบบควบคุม ก็แยกผลของ GEM ออกจากฤดูกาล ความล้าของครีเอทีฟ แรงกดดันในการประมูล หรือการแก้ไขบัญชีของตัวเองไม่ได้

ความหมายสำหรับนักการตลาดไทย

บทความของ Meta ไม่ได้พูดถึงประเทศไทย และไม่มีผลลัพธ์รายตลาด GEM ถูกอธิบายว่าเป็นโมเดลกลางที่ฝึกด้วยข้อมูลจากแพลตฟอร์มโฆษณาทั้งหมดของ Meta ซึ่งบ่งว่าแคมเปญในไทยน่าจะผ่านระบบเดียวกัน แต่ผู้ลงโฆษณาไทยจะได้ผลใกล้ตัวเลขหลักที่ประกาศหรือไม่นั้นยังไม่มีใครรู้ งานที่ผู้ลงโฆษณาไทยทำได้จริงก็เหมือนข้างต้น คือส่งเหตุการณ์คอนเวอร์ชันที่สะอาดผ่าน Conversions API ทำครีเอทีฟให้เข้ากับแต่ละตำแหน่ง และตรวจตัวเลขที่ Meta รายงานกับข้อมูลหลังบ้าน ทีมที่ต้องการความช่วยเหลือในการตั้งค่าดูได้ที่ บริการโฆษณาโซเชียลแบบครบวงจร ส่วนบริการติดตั้ง GA4 ครอบคลุมการวัดผลฝั่งหลังบ้าน

คำถามที่พบบ่อย

GEM ของ Meta คืออะไร

GEM คือ Generative Ads Model ของ Meta ซึ่ง Meta เรียกว่าเป็น foundation model ด้านระบบแนะนำที่ใหญ่ที่สุดในอุตสาหกรรม Meta เปิดตัวในปี 2568 และรุ่นปี 2569 ที่อธิบายไว้เมื่อ 13 ต.ค. 2569 ใช้โมเดลกลางตัวเดียวทำนายทั้งการคลิกและคอนเวอร์ชันบน Facebook, Instagram, Reels และพื้นที่อื่นๆ

GEM ทำให้คอนเวอร์ชันเพิ่ม 18.9% จริงหรือ

Meta บอกว่าเป็นเช่นนั้น แต่ตัวเลขนี้ยังไม่มีบุคคลภายนอกยืนยัน Meta ไม่ได้ระบุค่าฐาน ช่วงเวลา หรือว่าผลมาจากการทดสอบ A/B จริงหรือการประเมินแบบออฟไลน์ จึงควรมองว่าเป็นตัวเลขที่ผู้ให้บริการอ้างเอง

เปิดหรือปิด GEM ใน Ads Manager ได้ไหม

บทความไม่ได้พูดถึงการตั้งค่าใดสำหรับผู้ลงโฆษณา GEM ทำงานอยู่ภายในระบบส่งโฆษณาของ Meta สิ่งที่ผู้ลงโฆษณาปรับได้คือคุณภาพข้อมูลคอนเวอร์ชัน การเลือกตำแหน่งโฆษณา ครีเอทีฟ และงบประมาณ

GEM มีผลกับโฆษณาในประเทศไทยหรือไม่

Meta ไม่ได้พูดถึงประเทศไทยโดยเฉพาะ บทความอธิบายว่า GEM เป็นโมเดลกลางที่ฝึกด้วยข้อมูลจากแพลตฟอร์มโฆษณาทั้งหมดของ Meta ซึ่งบ่งว่าน่าจะใช้ในวงกว้าง แต่ Meta ไม่ได้เผยแพร่ผลรายประเทศ

ควรเปลี่ยนทุกแคมเปญไปใช้ Advantage+ placements เลยไหม

ไม่ควรเปลี่ยนแบบอัตโนมัติ เพราะบทความของ Meta ไม่ได้พูดถึง Advantage+ เลย สิ่งที่สมเหตุสมผลคือทดสอบการเปิดตำแหน่งกว้างเทียบกับการจำกัดตำแหน่ง ในแคมเปญที่ไม่ได้จำกัดเพราะมีหลักฐาน และตัดสินจากยอดขายหลังบ้าน ไม่ใช่แค่คอนเวอร์ชันที่แพลตฟอร์มรายงาน

บทความของ Meta เมื่อ 13 ต.ค. 2569 อธิบายว่าโมเดลโฆษณาของ Meta เรียนรู้ข้ามพื้นที่โฆษณาอย่างไร แม้ตัวเลขหลักจะมาโดยไม่มีบริบทพอให้ตรวจสอบ สิ่งที่ควรทำคือป้อนข้อมูลคอนเวอร์ชันที่สะอาดให้โมเดล และวัดผลนอกรายงานของ Meta ด้วย ถ้าต้องการให้ช่วยตรวจการตั้งค่าบน Meta ทีมบริการโฆษณา Facebookของ Relevant Audience พร้อมช่วยทบทวนไปด้วยกัน