AI 生成回复中广告的评估与定价

arXiv 论文提出在 LLM 驱动的搜索引擎中评估和定价广告的方法。研究者构建心理学的代理模拟框架生成监督信号，蒸馏为参数高效评估器，可预测点击意图和广告质量三维度。评估器在相关性敏感性上超过零样本前沿模型（79% 对 60-67%），在 103 个虚构产品上零误差泛化，与人工判断一致性达 86%。基于此信号，论文推导了唯一支付规则，实现在广告分配中的诚实竞价。

此前广告评估缺乏行为日志和可靠的标注，LLM 判断混淆意图与流畅性，导致广告难以定价。该研究通过代理模拟和可微评估器提供了连续意图信号，使广告定价机制成为可能，为 AI 搜索商业化奠定基础。

论文利用心理学代理模拟生成缺失的监督数据，训练参数高效评估器输出平滑、可微的点击意图估计。基于此信号构建定价层，推导出使真实竞价最优的唯一支付规则，并扩展到非单调分配场景。

该评估器可直接嵌入 AI 搜索产品，实时评估广告质量，替代昂贵的众包标注。定价层可实现更合理的广告拍卖，提升广告收益和用户体验的平衡，但需要集成训练和部署成本。

• 在 AI 搜索产品中集成该点击意图评估器，实现低成本的广告质量实时监控。
• 利用其支付规则设计广告拍卖机制，提高广告主的竞价效率和平台收益。
• 将评估器作为训练信号，优化广告生成模型，使其更符合用户意图。
• 针对垂直领域（如电商）定制评估器，提升广告相关性。

• 代理模拟框架如何具体实现，其真实性验证细节未公开。
• 评估器在真实搜索日志中的表现是否与模拟一致。
• 定价机制的实际收益提升幅度缺乏实证数据。
• 该方法对多种 LLM 架构的泛化能力未明确。