在刚刚过去的上周，腾讯交出一份亮眼财报。

根据财报数据显示，2026年第一季度，腾讯营收同比增长9%至1964.58亿元，营业利润673.8亿元，同比增长17%。财报公布当天，腾讯股价迎来上涨。

腾讯的真实增长来自于哪？

如果把这份财报放到聚光灯下，在备受关注的AI动向、持续长青的游戏板块之外，还有一个支柱也更实现了不同寻常的增长——腾讯营销服务。数据显示，腾讯营销服务Q1季度收入同比增长20%，这个数字在2025年Q4财报仅为17%。

这种增长不是行业共性。

根据QuestMobile调查数据显示，从整个广告行业视角来看，在过去的一年里（2025Q2-2026Q1），全行业增速约为4.5%，尽管在2026年Q1季度伴随着AI浪潮的来袭，企业的营销意愿在增强，但尚未落到实处。

如果把视线投向全球各大流量平台，过去的一年时间里，大部分平台广告业务表现疲软，部分平台广告业务增速甚至降低至5%以下。

此外，从源头侧来看，根据秒针联合GDMS发布的《2026中国数字营销趋势报告》显示，由于效果不达预期，47%广告主计划2026年全年降预算，在汽车、快消、传统零售方向，这个比例则是超过50%。

这种水温下，腾讯营销服务的这组“反共识”数据显得尤为可贵。腾讯营销做对了什么？或者更准确来说，它的增长密码到底在哪？

这次财报中，除了亮眼的增长数字，一张“技术牌”也更引起了我们的关注。

一

双端难题背后：

广告行业的“模型死胡同”

“广告行业到底怎么样了？”

如果对这个问题进行细致拆解，最合适的方式还是要回到供需模型上来，即作为需求的“广告主”和作为供应的“广告流量平台”。

前者的目标是以平台为放大器，让更多人看见自身产品，把流量转化为业务增量，而后者则是在终端持续保持流量的同时，更好地用技术满足广告主们的转化需求。这个供需模型可谓是互联网时代最成熟的商业闭环。

但这个闭环在过去的几年出现了“裂痕”。

2025年年底，全球知名营销研究机构eMarketer发布了一份面向广告行业的调查报告。数据显示，2025年，有超过68%广告主未能完成效果 KPI，仅有39%实现正向ROI。

同样的数据也更来自Gartner，在全球2300多位企业负责人调研中，有超70%的营销负责人表示2025年广告效果 “未达预期”，效果指标连续2年恶化；此外，超过60%广告主反馈平台“人群定向不准、无效曝光多”，无效流量占比接近40%。

问题出在哪？当一个商业模型启动的最前端—需求侧的需求愈发没有被满足时，也就意味着整个商业模型出现问题——广告平台开始“不务正业”了吗？

答案显然是否定的。如果把视线放到广告平台侧，能看到这个问题的核心症结——DNN广告推荐排序模型。

2024年Q3电话会上，Meta高管现场的一句发言让整个广告陷入沉思。“我们发现：在广告方向，当模型规模与算力扩大到某个临界点后，性能就不再随规模提升（不scaling）。”

这句话他只说了一半。2024年，在Meta高管的这句话之前，一组行业公开数据已经成为人们关注的焦点，即这组来自DeepMind、eMarketer 2024 年广告模型专项测算及Meta内部数据的综合结论是：传统广告模型（DNN）参数每翻一倍，广告转化效果提升已普遍低于 5%，但算力与流量成本至少上涨 100%，边际收益彻底转负。

广告的本质是“让合适的产品，在合适的时间，让合适的人群所看见”。过去几十年制成这个体系推进的模型，就是DNN广告推荐模型。

为了让这个体系运转地更准确、科学，业内包括Meta、google以包括腾讯等企业在之前的普遍做法是“做大参数”——即向模型系统里塞更多用户数据、叠加更多判断维度、拉长计算网络层数，让模型变得更大，以力求更准确。

但这种“模型参数越大，广告效果越好”的行业共识在过去几年迎来旗帜鲜明的挑战。即不论对Meta、谷歌，还是国内的广告平台，来自广告主的真实反馈是：广告投放越来越贵，效果却没有明显的提升。

这也是DeepMind等研究机构对以DNN广告推荐模型为主的广告体系进行深度剖析的原因。

原因很快被探明。首先，从效果来看，尽管广告平台的初衷是通过填充更多的参数以让广告推荐模型具备更强、更准确的能力，但事实结果却是，伴随着模型参数的增加，DNN广告推荐模型出现了显著的“表征秩坍缩（Rank Collapse）"情况。

对“表征秩坍缩”的一个通俗解释是，伴随着模型参数的越来越大，模型中能真正能区分用户、区分产品特征的有效信息维度，被模型“刻意同化”和“合并同类项”，如不同时间范围的点击率会被模型同化为“点击率”，忽略时间要素等等诸如此类。最后只剩少数合并后的大颗粒度特征保持运转。

这样带来的结果则是，尽管输入端模型参数量不断增加，但在DNN广告推荐模型“消化”过程中，反而失去了对产品、用户的精细化理解和特征匹配，反馈到前端则是产品和人群的匹配愈发模糊，部分品类的广告投放效果甚至实现倒退。

但另一边，这种“不符合预期”的效果却带来更大的广告平台成本消耗，即伴随着参数的增加，每推进一次推荐，其对应的是后端更大的算力损耗，这种算力损耗一定程度会被广告平台反馈到CPC/CPM的定价策略上，广告主的感知则恰是变贵的投放价格。

实际上，这也是广告行业陷入死胡同的本质原因，即在DNN广告推荐模型这条十几年的既有路径上，效果和成本已然失去绝对正相关的曲线关系，这种正相关的缺失反馈到大盘上的最终结果则是广告主的不满、和广告平台的疲软增速的双输结局。

那么，是否有解法？或者说，广告行业是否有重回良性的优解？

二

RankUp背后：

广告系统从“规模”走向“精细”

答案是肯定的。

在腾讯这次2026年Q1财报文件中，有这样一段表述，“我们升级了AI驱动的广告推荐模型，扩展了微信生态系统内的闭环营销能力，从而带动广告表现提升及广告单价增长。本季大多数主要行业的广告主投放均有所增长，其中互联网服务、电子商务及游戏行业的增长尤为显著。”

什么是“AI驱动的广告推荐模型”？这对应的恰是如今已经全量上线到微信生态三大流量场景（视频号、朋友圈、公众号&小程序）的新模型底层：RankUp高秩表示推荐架构，这个由腾讯广告技术团队自研的技术框架正在成为腾讯在营收服务板块的特殊“法宝”。

对它的一个形象介绍是，如果说之前的DNN广告模型更多的精进方式是让模型在“变胖”中成长，通过不断的“参数填鸭”以试图让其具备更强的广告推荐能力，那么RankUp高秩表示推荐架构则是让模型更“精细”和“效率”，即在保持模型参数不变的情况下，通过对模型内在肌理的精细化设计，让其可以对既有的参数表征有更强利用和表达，同时对算力资源进行有效利用。

那么，这条路径和DNN路径有什么不同？几个核心能力尤为值得一提。

首先是随机特征解耦，即在传统DNN广告模型中，伴随着参数增加，模型会天然把相近的表征特点进行同类项合同，由此带来的是模型推荐的愈发粗犷和不精准。而RankUp则是会特意把不同的信息特征进行拆解，并单独隔离存放，不让彼此之间“抱团”，每条表征都单独保留，避免冗余情况出现，让模型更精准理解真实需求，以完成有效推荐。

其次，多Embedding映射，相较于传统DNN模型更多按照评分系统的高权重标签的单一推荐模式，RankUp会从多个角度拆解人群和产品表征，即不单纯局限于如性别、职场、喜好等等，而是会基于立体的标签体系进行广告推荐。

全局Token。如果说多Embedding映射对应的是对人群横向标签的延展，那么全局Token则是纵向的表征延展，即从人群全生命周期的角度来进行广告推荐体系的更细颗粒度建设，通过综合人群画像的全部信息，进行综合推荐判定，规避因某一两个行为进行错误推荐，可以做到更精准的广告匹配，更有效的算力利用。

预训练表征交互。过去这些年，DNN广告推荐模型一直被诟病的一个问题是“新品投放效果差”，这源自固有模型会基于新品的信息进行临场验证，而RankUp则是在此基础上进一步优化，即其内部封装了过去多年的用户习惯、广告规律，在推荐的时候直接用这些现成经验，判断更快更准，保证新用户、没投放过的新广告也能有足够精准的效果。

最后Token级任务解耦。RankUp的这项能力面向的恰是固有DNN广告模型中很难多线并行的短板，即下单转化、加微、预约等不同需求链路容易在模型中被混淆，最终导致只能达成一项目标效果。RankUp所做的恰是把不同的需求链路分别设计，互不影响的同时为不同目标分配单独的token链路，保证每个目标都能达到最优。

从本质来看，这5个最鲜明的技术属性，本质上都是在不盲目增加模型参数规模的前提下，提升模型的对于既有表征的利用率。让模型可以更准确理解的同时，更保证每一次推荐都建立在效果的基础上，做到有的放矢，最终转化为广告主的ROI投放比。

实际上，如果沿着这5项技术向前延伸，不难看出的是RankUp的真正出发点——广告主的真正需求。这些需求包括转化率、GMV、新品冷启动效果、成本等等。

RankUp的价值恰在于把这些指标内化到新的广告推荐体系中，相较于之前大水漫灌的模型堆叠参数，通过对模型更精细化地“运营”，从技术侧实现真正的需求满足。

据了解，RankUp 如今已全量部署于腾讯营销的CVR 预估任务，在微信视频号、微信公众号&小程序、微信朋友圈流量的AB实验的GMV 其分别达到了提升3.41%、4.81% 和 2.12%的效果。

（附：腾讯广告技术一线解读文章

https://mp.weixin.qq.com/s/hY8zG-ZVKpaNCakAFKRmrQ）

三

广告推荐，

正在重回良性周期

从全球视野来看，这并不是腾讯一家的尝试。

根据资料显示，包括Meta等海外广告平台在过去的一段时间里也都在推进着从传统深度广告模型到Transformer的转变。

基于此，模型不仅可以关注用户长时间的历史行为，更可以基于全生命周期的视角，对不同特征进行独立管理；此外，在生成式架构的驱动下，相较于之前按照固定单一的推荐模式，模型可以针对用户的个人情况定向制定广告推荐方案，为需要的人提供需要的产品，把产品推到更“适合它”的人眼前。

而RankUp这次在腾讯营销中的全量上线和出现在腾讯财报中的意义在于，其第一次把‘高秩表征’从学术概念变成了工业级落地的通用架构，真正验证了“不堆参数也能涨效果”的可行性，把过去比拼模型参数的广告体系进一步推向“精细 效率”的“高维大脑”时代。

此外，从另一个视角来看，RankUp技术也对应更是一种技术驱动正周期模式的出现，即伴随着RankUp等技术的落地，一个能看到的事实是，不论是广告主还是广告平台，都可以得到更良性的发展。

前者可以获得更好的营销效果，不论是新品的冷启动，低成本的广告投流，还是高预算、多目标的集中营销，都可以更好地满足自身需求；后者则是基于这套新的工业级广告体系，做到更有价值的运转成本和更近一步的需求满足，以进一步完善自身的商业模型。

腾讯这次的财报就是一个典型范本。

实际上，类似的价值共识如今在以更大的加速度延展。比如在今年，腾讯广告算法大赛的赛题就聚焦“统一建模”的挑战，算法大赛以真实业务脱敏数据进行实战模拟，面向全球工业界和学术界征集最优的架构方案，旨在为广告推荐系统配备一个“最强大脑”。

从广告行业本身的视角来看，RankUp技术背后的价值共识也恰推动的是广告行业逐步回归其价值本质：让需要的人，在需要的时间，看到需要的产品。

推荐向善，技术向善，不外乎如此。