大模型正在吃掉搜索广告位，下一代广告该怎么做？人大高瓴、斯坦福把拍卖写进Token生成过程

搜索结果里但凡出现 AI 摘要，用户 点开普通网页 的几率就几乎腰斩。 Pew Research Center 对美国用户在 Google 上大规模浏览行为的分析发现：有 AI 摘要时，用户点击传统搜索结果的比例从 15%直接暴跌至 8%。 [1] 用户正在对话里完成探索和比较，广告也跟着迁移了过来。OpenAI 已经正式上线 ChatGPT Ads，Google 也将广告引入了 AI Overviews，他们给回答挂上赞助商的小卡片，直接延续了搜索引擎时代的模式。 [2, 3] 但人们获取信息的范式转变，让人不禁开始重新思考广告的形态： 当信息媒介从整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？ 三十年来，在线广告始终建立在一个默认前提之上： 广告位先存在，拍卖再决定谁获得它。 搜索结果的名次、信息流中的哪一次展示，都是预先定义好的机会。但大模型的回答是逐字生成的：某个品牌是否适合出现、在哪里出现、用什么方式介绍，都取决于前面已经写了什么。甚至先谈价格或是先谈体验，都可能为产品造成完全不同的印象。 图 1：在生成式信息媒介里，广告机会在哪出现、由谁获得、如何呈现，会共同影响营销效果与用户体验。 因此，生成不只是填充广告机会，还在塑造广告机会 。 在这个新范式下，已有研究开始探索段落级广告插入、候选回答竞价等拍卖方式，而来自人大高瓴和斯坦福大学的研究团队，将大模型原生广告的竞争进一步推进到了逐 Token 的生成过程中。 他们提出的 LAMA ，让内容生成与广告分配一同演变：每当生成一个 Token，都在实时影响回答怎样续写，也在影响最终谁获得广告曝光。这就是这项工作提出的核心思路—— 生成即分配（Generation as Allocation） 。 标题：Token-Level Advertising 作者：Hanbing Liu、Bowei Zhang、Changyuan Yu、Yinyu Ye、Qi Qi 单位：中国人民大学高瓴人工智能学院、斯坦福大学 链接：https://arxiv.org/abs/2608.27382 大模型每写一个字 都是一次竞价过程 把广告拍卖推进到 Token 级，广告主争夺的就不只是最后的曝光机会，还有 回答接下来往哪个方向写 。比如，同样是推荐度假目的地，先谈交通还是先谈住宿，可能让不同广告主在后续竞争中占据优势。广告主也因此多了新的策略空间：不仅可以调整报告来影响当前生成，还可以根据已经写出的内容，随时改变后续策略。 这就对机制提出了更高的要求： 不仅要让广告主在开场时愿意提供真实价值信息，还要让它在生成途中继续说真话。 同时，回答也不能只顾着迎合出价，偏离用户原本的问题。 LAMA 的全称是 Latent Advertiser Mixture Auction ，即“ 潜在广告主混合拍卖 ”。它让广告主针对当前文本，报告“接下来这样写，对我有多大价值”，再结合原始语言模型，形成各广告主偏好的生成策略。平台据此逐 Token 生成回答，并不断更新各广告主最终获得曝光的概率：新写出的内容越符合某位广告主偏好的方向，其分配概率就越高。回答结束后，再按最终概率选出赢家，给予外链或赞助卡片等形式的曝光。实际部署时，这些价值报告可以由平台侧模型代为计算，类似今天广告系统中的自动出价（Auto-bidding）服务。 图 3：LAMA 的运行过程。在每次 Token 生成的时候顺次完成报告、生成、更新，并在答案生成完毕后完成最终的分配和结算。 怎样防止广告主利用这个过程“中途变卦”？LAMA 为这套生成过程精心设计了配套的 局部报告校验与支付规则 。 校验关注的是前后报告能否对得上：广告主对下一步不同写法的价值判断，汇总后必须与此前对当前文本的报告一致。平台每一步只需做一次局部核对，就能限制广告主随意改口。支付则跟着生成过程调整：某一步让广告主获得曝光的概率与后续价值合起来变得更有利，就产生相应费用；变得不利，则提供补贴，再与初始费用一起完成结算。这样，影响生成、争取曝光和承担费用就联系在了一起。 这套机制满足 马尔可夫占优策略激励兼容（Markov DSIC） ：无论其他广告主采用什么可行策略，只要一位广告主此前如实报告，那么在任何可达的生成状态下，继续如实报告都不会比后续改用其他可行策略更差。也就是说，诚实不仅适用于开场报价，还能贯穿回答的生成过程。 与此同时，LAMA 还有 社会福利保证 ：以广告价值减去偏离原生回答的惩罚项作为目标，其与理想最优机制的差距有明确的理论上界。这让机制在追求商业价值的同时，也约束广告对用户体验造成的影响。 从每一步怎么写，到最终谁获得曝光、支付多少，LAMA 将它们纳入了同一套机制。这正是“生成即分配”的含义。 理论很圆满 实际效果怎么样？ 研究团队选取 Webis Generated Native Ads 2024 数据集中的 1239 条真实商业搜索查询做概念验证，覆盖了三个常见的场景：健身、度假和汽车，每个场景都是一个三广告主的竞争环境。 实验使用 Qwen3-14B 作为参考语言模型，通过 LoRA 训练得到广告主共享的报告模型。广告价值来自开源预测模型预测的预估，用户体验则根据 GEM-Bench 提供的相关性、信息量、流畅连贯、广告自然度、广告事实性和侵入性等指标进行综合评估。基线方法包括生成前后两种分配方式，搭配原生内容、编辑插入、强化学习策略三种生成方法，以及答案级聚合机制 MOSAIC。 图 4：主实验表格 LAMA 在四项指标上都达到了最高，不仅实现了平台收入（+10.7%）和广告主价值（+3.8%）的双赢，而且完全没有牺牲用户体验。 来具体看度假场景里的一条查询：“best beach vacations in the world（世界上最好的海滩度假地）”。不含广告机制的参考回答只讨论目的地和规划因素；LAMA 生成的回答中，前段出现了 Expedia，后段又出现了 Tripadvisor，生成过程中广告主不断交替控制权，但生成的回答依然自然、流畅，并且和参考回答一样提供了有价值的信息。 图 5：度假场景中的回答样本，橙色高亮句是分配给超链接的文本区间。 生成结束后，Tripadvisor 的分配概率显著更高，也在这次回答中被选中为最终赢家。 为什么是 Tripadvisor？从文字内容看，Expedia 在前半段更像是一个用来引出马尔代夫、巴厘岛和加勒比海等目的地的品牌锚点；提及 Tripadvisor 的句子则直接讲清了产品能做什么：比较目的地、查看游客评价、筛选住宿与体验，有着更完整的价值表达。而平台的分配概率更新敏锐地捕获到了这一点。 研究团队还做了一个直观的出价扰动实验：固定其他广告主报告不变，只把目标广告主的报告整体从真实值上下调整。结果很符合直觉：报得越高，它贡献的 Token 比例、分配概率和支付就越高。然而，真实期望效用却不会无限增大，而是刚好在诚实报告时达到峰值。通过谎报抬价确实能在回答中抢到更多的影响，却因更高的支付而得不偿失，这也正是“激励兼容”的理论保证提供的性质。 图 6：生成占比、分配和支付都随报告提高而增加，真实期望效用在诚实时达到峰值。 结语 生成式广告适