北京
中国人民大学高瓴人工智能学院和斯坦福大学的研究团队，把广告拍卖塞进了大模型的生成过程里。论文名字叫《Token-Level Advertising》，提出的机制叫 LAMA（Latent Advertiser Mixture Auction，潜在广告主混合拍卖）。核心思路一句话：每生成一个 Token 都在竞价。
这件事的背景是，大模型和 AI 摘要正在挤压传统搜索流量。传统互联网广告依赖预先分配的静态槽位，而生成式回答是逐字动态生成的，品牌出现的契机与内容语境紧密交织。当界面从一页搜索结果变成一段实时生成的回答，广告究竟应该拍卖什么？
生成即分配，竞价跟着字走
LAMA 的做法是让广告分配、内容生成和支付结算在同一套序贯机制中共同完成。传统广告需要预先定义固定槽位，而生成式回答的 Token 是逐字生成的，内容与商业分配密不可分。LAMA 把广告主的竞争直接嵌入大模型的自回归生成过程，实现“生成即分配”——每个 Token 的生成过程同时也是一次竞价过程。
这带来一个理论上的麻烦：广告主如果在生成中途改变策略，能不能通过操纵生成轨迹获利？研究团队引入了贝尔曼一致性账本与序贯支付规则，确保广告主即使中途改变策略也无法通过操纵获利。该机制满足马尔可夫占优策略激励兼容（Markov DSIC）、个体理性及预算平衡。
不展开整棵 Token 树，靠共享模型算账
把拍卖写进 Token 生成，计算开销是个现实问题。如果要把整棵 Token 树展开来算，成本难以承受。系统实现上，平台通过共享的广告主条件模型代为计算局部优势，避免了展开整棵 Token 树的巨大计算开销。具体来说，系统采用共享条件模型预测根价值与局部优势。
在真实商业搜索数据集上的概念验证表明，LAMA 在提升平台收入和广告主价值的同时，未明显牺牲大模型回答的自然度与用户体验。在多垂类真实商业搜索查询上的验证显示，平台收入较最佳基线提升约 10.7%，且未牺牲回答质量。
这套机制要回答的问题很直接：当广告机会伴随内容生成共同演化，传统那套预先分配静态槽位的范式就不够用了。LAMA 给出的答案是，让广告拍卖与 Token 自回归生成过程深度融合，把竞价、生成、结算压进同一套序贯机制里。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
