皮尤研究中心的一项研究显示，当搜索结果中出现了AI生成的摘要时，用户点击普通网页链接的几率会显著下降，几乎减少了一半。具体来说，美国用户在Google上的大规模浏览行为数据分析表明，有AI摘要存在的情况下，用户点击传统搜索结果的比例从15%骤降至8%。[1]

随着用户越来越多地在对话交互中完成信息探索和比较，广告也随之迁移到这一新场景。OpenAI已正式推出了ChatGPT Ads服务，Google也把广告引入了AI Overviews功能中，它们通过在回答内容旁添加赞助商标识的小卡片，延续了搜索引擎时代的广告模式。[2, 3] 然而，人们获取信息的方式正在发生根本性转变，这促使我们重新思考广告的形态：

当信息媒介从一页完整的搜索结果变成一段实时生成的回答时，广告拍卖的标的物应该是什么？

过去三十年间，在线广告一直建立在一个默认的前提之上：广告位是预先存在的，拍卖决定谁能获得它。无论是搜索结果中的排名，还是信息流中的某次展示，这些机会都是事先定义好的。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、以何种方式介绍，都取决于前面已经生成的内容。甚至，先谈论价格还是先谈论体验，都可能给产品带来截然不同的印象。

图1展示了在生成式信息媒介中，广告机会出现在哪里、由谁获得以及如何呈现，这些因素共同影响着营销效果与用户体验。

因此，生成过程不仅仅是填充广告机会，它本身也在塑造广告机会。在这一新范式下，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，将大模型原生广告的竞争进一步推向了逐Token的生成过程。

他们提出的LAMA框架，让内容生成与广告分配同步演变：每当生成一个Token，它都在实时影响回答的后续方向，同时也影响着最终谁能获得广告曝光。这便是这项工作的核心思路——生成即分配。

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

当广告拍卖被推进到Token级别时，广告主争夺的就不再仅仅是最终的曝光机会，还包括了回答接下来会朝哪个方向生成。例如，在推荐度假目的地时，是先讨论交通还是先讨论住宿，这可能会让不同的广告主在后续的竞争中占据优势。因此，广告主也获得了新的策略空间：他们不仅可以调整自己的出价报告来影响当前的生成过程，还可以根据已经生成的内容，随时改变后续的策略。

这对机制设计提出了更高的要求：不仅要让广告主在初始阶段愿意提供真实的价值信息，还要确保他们在生成过程中持续说真话。同时，生成的回答也不能只顾着迎合出价，而偏离了用户原本的问题。

LAMA的全称是潜在广告主混合拍卖。它让广告主针对当前的文本内容，报告“接下来这样写，对我有多大价值”，然后结合原始语言模型，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：新生成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，再根据最终的概率选出赢家，并给予外链或赞助卡片等形式的曝光。在实际部署中，这些价值报告可以由平台侧的模型代为计算，类似于今天广告系统中的自动出价服务。

图3展示了LAMA的运行过程：在每次Token生成时，顺次完成报告、生成和更新，并在答案生成完毕后完成最终的分配和结算。

那么，如何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是否一致：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保持一致。平台每一步只需进行一次局部核对，就能限制广告主随意改口。支付则跟随生成过程调整：如果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；如果变得不利，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。

这套机制满足了马尔可夫占优策略激励兼容。这意味着，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，还能贯穿整个回答的生成过程。

与此同时，LAMA还具备社会福利保证：它以广告价值减去偏离原生回答的惩罚项作为目标，其与理想最优机制之间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，也约束了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。

研究团队选取了Webis Generated Native Ads 2024数据集中的1239条真实商业搜索查询进行概念验证，覆盖了健身、度假和汽车三个常见场景，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估值，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展示了主实验表格的结果。LAMA在四项指标上都达到了最高，不仅实现了平台收入和广告主价值的双赢，而且完全没有牺牲用户体验。

具体来看度假场景中的一条查询：“best beach vacations in the world”。不含广告机制的参考回答只讨论目的地和规划因素；而LAMA生成的回答中，前段出现了Expedia，后段又出现了Tripadvisor。在生成过程中，广告主不断交替控制权，但生成的回答依然自然、流畅，并且与参考回答一样提供了有价值的信息。

图5展示了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，并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；而提及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。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”的理论保证所提供的性质。

图6展示了生成占比、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。

生成式广告适合出现在哪里？一个自然的落脚点是用户本来就在寻求商业建议的场景：购物时通过数字导购比较商品、出游时挑选酒店，或让智能体选择日常工作流中使用的付费工具。当商业信息回应了用户的实际需求，并且有明确的广告边界标识，没有破坏回答的有效客观事实时，它就更有可能被接受。

LAMA所探索的，正是如何把这种愿景下的机制实现出来：让广告主在生成过程中竞争，同时用规则约束策略行为、平衡商业价值与回答质量。

过去，拍卖决定谁获得一个已经存在的广告位。如今，机制还可以决定广告机会如何在回答中形成。从“分配位置”迈向“生成即分配”，LAMA为大模型原生广告机制提供了一条新的设计路径。

作者信息

刘涵冰（第一作者）：中国人民大学高瓴人工智能学院三年级硕士生，导师为祁琦教授，研究方向为生成式人工智能中的智能决策与机制设计，预计2027年毕业。工作发表在WINE、ACL、SIGMOD等顶级会议上。 主页：https://tokgoleo.github.io/home/

祁琦（通讯作者）：中国人民大学高瓴人工智能学院长聘教授，国家高层次青年人才，CCF计算经济学专委副主任委员（执行）兼办公室主任。博士毕业于斯坦福大学，师从叶荫宇教授。研究方向包括算法博弈论与机制设计、大模型与智能体、多智能体系统、优化与智能决策等。研究成果大量发表在顶级期刊如MS, OR, MOR, GEB, TR-B和CCF-A类会议STOC, ICML, NeurIPS, ICLR, ACL, AAAI, KDD, SIGIR, WWW等。同时长期与百度、阿里、腾讯、美团、字节、滴滴、华为、OPPO等企业开展深度合作，围绕在线广告、智能营销、优惠券优化和用户增长等核心业务，推动大模型、机制设计与多智能体决策技术在亿级用户规模的真实场景中落地。 主页：https://ai.ruc.edu.cn/szdw/zrjs/qq/index.htm

参考资料

1. Pew Research Center, Google users are less likely to click on links when an AI summary appears in the results, 2025-07-22: https://www.pewresearch.org/short-reads/2025/07/22/google-users-are-less-likely-to-click-on-links-when-an-ai-summary-appears-in-the-results/
2. OpenAI Help Center, Ads in ChatGPT, accessed 2026-09-04: https://help.openai.com/en/articles/20001047-ads-in-chatgpt
3. Google Ads & Commerce, More opportunities for your business on Google Search, 2025-05-21: https://blog.google/products/ads-commerce/google-search-ai-brand-discovery

本文来自微信公众号“机器之心”，36氪经授权发布。