Meta 广告算法 2026：GEM、ARM、HIR 对投放有什么影响？

区分 Meta 已上线的 GEM、ARM 与仍属研究方向的 HIR，梳理创意概念、广告结构和转化信号的实操建议。

2026 年谈 Meta 广告算法，先要分清“已上线的系统”和“研究中的方向”。Meta 的 GEM、ARM 已有官方工程文章；HIR（层级兴趣表示）截至 2026 年 9 月仍被描述为研究方向，不能当成已经全面生效的投放规则。下文依据官方资料，结合原作者梓茗的行业解读，给出可验证的投放建议。

GEM、ARM、HIR 分别做什么？

系统	官方披露的定位	投放侧应怎样理解
GEM	广告推荐基础模型，通过知识迁移改进下游推荐模型	跨场景学习能力增强，但不代表账户间共享你的私有转化数据
ARM	按请求分配模型计算资源的在线排序系统	排序更复杂；不能据此断言某种账户结构一定获得“更高算力”
HIR	探索用户、广告主、产品等实体的层级兴趣表示	可启发创意研究，目前不应称作已经全面上线的定向功能

Meta 公布的 ARM 测试结果是特定目标用户群的转化与点击率提升，并非每个广告账户都能复现的承诺。官方对 HIR 使用的是“探索”“旨在”等表述，相关投放动作应先小范围测试。

可以把用户需求拆成品类、具体场景、购买障碍和证据四层。例如同一款产品分别测试“节省时间”和“降低学习成本”两种诉求，再在胜出的诉求下测试口播、演示或静态图。这是团队组织素材的工作框架，不是 Meta 官方发布的四级定向标签。

每次测试保持相同优化目标、归因窗口和主要受众边界，记录 CTR、转化率、CPA 与真实业务结果。若只替换演员、音乐和画面比例，通常难以判断用户是否需要新的卖点。素材数量应由测试预算和事件量决定，不存在通用的“必须做五个概念”配额。

广告组过多会使单组数据变稀疏，但合并也要保留国家、语言、产品、预算责任和合规要求等必要边界。与其机械地追求极少广告组，更应该看每组能否持续积累可用的优化事件，并用稳定的成本和下游质量验证调整。

在扩大预算前，检查 Pixel 或 SDK 与 CAPI 的事件映射、去重、价值参数和归因设置。比较素材时，标准归因与增量归因的数据应分开标记；不同口径的转化数和 ROAS 不能直接合并排名。App 团队可配合Meta App 广告上线检查表完成事件验收，再用事件质量复盘方法查看下游表现。

频次上升、CTR 下降并不自动证明“人群耗尽”。先排查竞价、预算、版位、落地页速度和转化追踪；再在相近条件下测试同概念的新执行版本。如果表现恢复，可能是表现形式疲劳；如果未恢复，再测试不同需求或卖点。该判断是实验假设，不能仅凭一条曲线下结论。

以上六项是编辑整理的实操清单，不是 Meta 发布的“六条算法法则”。可先以有限预算验证单项改动，并记录相同观察窗口下的结果。