大模型正在吃掉搜索广告位，下一代广告该怎么做？人大团队把拍卖写进Token

PaperWeekly 14小时前中·独立

原创让你更懂AI的 2026-09-20 18:17 北京

每生成一个Token都在竞价

一页搜索结果里只要出现 AI 摘要，用户点开普通网页的概率，几乎就会被拦腰截断。

Pew Research Center 跟踪了 900 名美国成年人的真实浏览行为，并分析了其中 68,879 次 Google 搜索。

AI 摘要出现在 18% 的搜索中；一旦出现，用户点击传统搜索结果的比例从 15% 降至 8%，点击摘要所列来源的比例更只有 1%。[1]

但点击并没有简单“消失”。Adobe Analytics 观察到，2024 年 7 月至 2025 年 5 月，美国零售网站来自生成式 AI 的访问增长至原来的 35 倍。

到 2025 年 5 月，这批访问的跳出率比其他来源低 27%，单次停留时间长 38%，浏览页数多 10%。[2]

行业还没想明白，平台已经先动了起来。OpenAI 于 2026 年 2 月在美国启动 ChatGPT Ads 测试，面向 Free 和 Go 用户；Google 则把 Search 与 Shopping Ads 扩展进 AI Overviews，并开始在 AI Mode 中测试广告。[3]

Google 官方给出的桌面示例很直观：AI Overview 先完成回答，下面再接一组标有 “Sponsored” 的商品卡片。[4]

〓Google AI Overviews 中的赞助商品卡片

产品动作背后，已经浮出一个不小的广告市场。

WPP Media 在 2026 年中期预测中首次将 Generative Search 单列为广告渠道，预计其全球广告收入将从 2026 年的 51 亿美元增至 2030 年的 1000 亿美元以上，并可能成为其记录中扩张最快的新渠道。[5]

把用户行为、公司动作与市场预测放在一起，看到的并不是简单的“网页没人看了”，而是一次更隐蔽的迁移：探索和比较正在答案里完成，留给网页的点击更少，却可能更接近行动。

于是，问题来了，而且比 “AI 里能不能放广告”更难：

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？

传统互联网广告有一个默认前提：广告位先存在，拍卖再决定谁获得它。搜索广告竞价第几名，信息流广告竞价哪一次曝光，展示广告竞价哪个区域。

过去二十多年，广告机制几乎都建立在“预先定义一个槽位”之上。目前落地的生成式广告大体仍沿用这个思路：ChatGPT 的广告出现在回答结尾之后，与回答视觉分离。

Google 则把标注为 “Sponsored” 的 Search/Shopping Ads 作为独立单元放进 AI Overviews，并在 AI Mode 中测试出现在回答下方或嵌入回答的广告。[3] 界面已经从链接页变成答案，但商业机制仍更像给答案挂上一张可识别的卡片。

但生成式界面不是把现成内容排成一列，而是在对话中逐字生成内容。某个品牌是否适合出现、在哪里出现、以什么方式出现，都取决于回答此前写了什么。广告机会不再只是等待分配的固定位置，它可能是由生成过程本身创造出来的。

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，最近给出了一种不同的答案。

他们在论文 Token-Level Advertising 中提出 Latent Advertiser Mixture Auction，简称 LAMA。[6] 它把广告主的竞争直接嵌入大模型的自回归生成过程，让内容生成、广告分配和支付结算在同一套序贯机制中共同完成。

研究团队把这个范式概括为一句话：生成即分配（Generation as Allocation）。说得直白一点，每生成一个 Token，都在同时推进内容形成与广告分配。

论文标题：

Token-Level Advertising

论文作者：

Hanbing Liu、Bowei Zhang、Changyuan Yu、Yinyu Ye、Qi Qi

作者单位：

中国人民大学高瓴人工智能学院、斯坦福大学

论文链接：

https://arxiv.org/abs/2608.27382

如果只看三点

1. 重新定义拍卖对象。LAMA 不再把生成好的文本或固定槽位当作唯一拍卖对象，而是让广告分配随着生成轨迹逐 Token 演化。

2. 给出动态激励保证。即使广告主已经看到部分回答、准备中途改变策略，继续诚实报告仍然最优；机制同时保证个体理性，并给出接近最优社会福利的理论界。

3. 把理论机制落到可运行系统。平台通过共享的广告主条件模型代为重建报告，在 1239 条真实商业搜索查询上进行概念验证，收入和平台福利均超过对比方法，同时保持回答质量。

链接变成了回答，广告位也跟着变了

过去二十多年的互联网广告，基本都围着一个已经存在的位置打转：搜索结果第几名、信息流里的哪次曝光、页面上的哪个矩形区域。位置先画好，竞价只负责决定归属。

生成式界面改变了这条顺序。用户看到的不是一排等待点击的链接，而是一段模型现场组织的回答；品牌是否适合出现、出现在哪句话里、和哪类信息相连，都要等到内容向前生成时才逐渐清楚。

麻烦在于，生成式回答的商业价值与内容路径根本分不开。

拿“最适合日常训练的跑鞋”来说。传统搜索可以先摆出三个广告位，再让 Nike、ASICS 和 New Balance 竞争排名。

生成式回答却不一样：如果回答先谈缓震，某个品牌的出现会很自然；如果话题转向稳定支撑，另一个品牌可能更匹配；如果前文一直在讨论低预算选择，再突然插入昂贵产品，就会显得生硬。

〓图1：在生成式界面里，广告机会何时出现、由谁获得、如何呈现，会共同影响用户体验与营销效果。

换句话说，生成不只是填充广告机会，还在塑造广告机会。

已有研究当然也在往生成过程里走：有的方法在生成前确定广告主和内容占比（Dubey 等，KDD 2024）[7]；有的方法把广告机会定义在段落或上下文相关的位置上（Hajiaghayi 等，NeurIPS 2024；Balseiro 等，2025）[8,9]；还有的方法先为不同广告主生成完整候选回答，再在生成后选择或聚合（Soumalias 等，NeurIPS 2025，MOSAIC）[10]。

它们已经比固定槽位灵活得多，但拍卖面对的通常还是一个已经成形的对象：一个段落、一个候选回答，或一个已经识别出来的插入位置。

LAMA 则把这件事再往前推了一步：不等回答生成完再分配，而是让分配过程参与回答的生成。

在 Dütting 等（WWW 2024）与 LLM-Auction 之后[11]，LAMA 把广告主对回答的影响推进到逐 Token 这一最细粒度，让分配随整条生成轨迹动态演化，扩展了生成式原生广告的技术边界。

大模型每写一个字，都是一次竞价过程

LAMA 的全称是 Latent Advertiser Mixture Auction，可以直译为“潜在广告主混合拍卖”。名字有点长，但理解它并不需要先啃完公式。

先说一个最容易被误会的地方：广告主并不是直接给每个 Token 报一个价格。在理论机制中，广告主针对当前文本前缀，报告不同候选 Token 被选中后，未来整段回答对自己的延续价值。

实际部署时，这些复杂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服务。

把公式先放到一边，整个过程其实可以拆成四步。

第一步：报告。对当前前缀，每个广告主提供一组“继续往下写的价值”。平台将这组价值与原始语言模型的下一词分布结合，得到每个广告主各自偏好的下一 Token 策略。

第二步：生成。平台维护一个关于广告分配的后验概率。每一步，它先按照当前后验选择一位“引导本步生成”的潜在广告主，再从这位广告主对应的策略中采样下一枚 Token。

边际上看，真正使用的下一词分布，就是所有广告主策略按当前后验加权得到的混合分布。

第三步：更新。新 Token 出来后，平台检查它在不同广告主策略下有多大概率出现，并用贝叶斯规则更新后验。某个 Token 越符合一位广告主所偏好的生成方向，这位广告主的后验分配概率就会上升。

第四步：结算。回答结束后，最终后验成为广告分配概率。平台据此抽取一名赢家，赢家获得超链接、可点击回答块或赞助卡片等最终曝光，并按照整条生成轨迹结算。

〓 LAMA 论文框架图中文导读

真正要抓住的是：这里的生成状态和分配状态始终绑在一起。每写出一个 Token，回答前缀就会变化；前缀一变，各广告主的延续价值和分配后验也跟着变化。所以，最终出现的广告机会并不是一个等着被填满的位置，而是这条生成路径走到终点后形成的结果。

真正棘手的，是广告主可能中途“变卦”

机制走到这里，麻烦才真正出现：只要广告主能够细致地影响生成，就会多出新的操纵空间。

比如，一位广告主可以在开头故意压低价值，让回答先进入某个有利方向；等到前缀已经对自己有利，再突然抬高报告争夺最终曝光。

传统的一次性拍卖只需要管住开场报价，Token 级机制却必须保证：在回答生成到任何一个可达前缀后，中途变卦仍然无利可图。

LAMA 用两层约束来堵住这个口子。

第一层，是一个“不能随便改口”的贝尔曼一致性账本。平台为每位广告主保存当前状态的一个标量价值。

广告主在下一步提交的整组子状态价值，必须能够通过软贝尔曼方程聚合回账本中的父状态价值。直观上，它不能在走到新前缀后凭空“改口”，而必须让新的局部报告与此前承诺相容。

第二层，是一套沿生成路径变化的支付规则。如果一个 Token 让某位广告主“后验概率乘延续价值”的前景改善，机制向其收费；如果这一步让其前景变差，则可能给予补贴。

单步转移可以为负，但整条路径上的支付会像“望远镜求和”一样前后抵消，并在终点完成结算。

做到这里还不够。论文还需要回答：这套机制到底能保证什么？结论主要有三条。

马尔可夫占优策略激励兼容（Markov DSIC）。在其他广告主采取任意可行策略时，只要一位广告主此前一直诚实，那么在每个可达前缀继续诚实报告，都优于任何后续偏离。

这个结论比“开场报真话”更强，因为它直接覆盖了序贯生成中的中途操纵。

个体理性与预算平衡。诚实参与带来非负期望效用。对于论文采用的单赢家结算版本，在报告精确时，赢家的实际效用非负，未获胜者支付为零；平台则在期望意义下弱预算平衡。

接近最优的 KL 正则化福利。LAMA 同时优化广告价值与回答对原始语言模型的偏离。

设候选广告主数量为 n，平衡两者的系数为 β，LAMA 与理想最优解之间的加性差距不超过 β log n。当 β 变大，回答更贴近自然生成；当 β 变小，广告价值可以施加更强影响。

所以，LAMA 不只是一种“把多个广告主概率混起来”的解码技巧。它把谁影响生成、谁获得曝光、谁支付多少，放进了同一套可以分析的机制里。

一棵算不完的 Token 树，怎么真正跑起来？

理论机制听上去完整，落到系统里却立刻碰到一个现实问题：每个文本前缀后面都有一个词表规模的分支，所有可能回答共同组成一棵巨大的 Token 树。如果真把每条分支都展开，再计算每个广告主的最优延续价值，基本不可能。

论文的办法很直接：不算整棵树，只记住两类量。

根价值：用户问题刚出现时，这次机会对广告主的整体价值。
局部优势：在当前前缀下选择某个 Token，相比平均延续会让价值增加或减少多少。

这样一来，只要知道根价值，再把真实生成路径上的局部优势逐步累加，就能恢复每个已访问前缀的价值。平台不必展开整棵树，只需要沿着实际生成的那一条路径计算。

落到具体系统里，研究团队使用了一个共享的广告主条件模型。

广告主身份、创意、落地页和定向信息被写入条件提示；模型一端通过偏好数据学习局部优势，另一端接入标量回归头预测根价值。所有广告主共享同一套主干参数，不需要每家单独训练一个完整模型。

对广告主来说，这反而省事了。它们只需要提供业务信息和最终价值信号，由平台代为生成逐 Token 报告。整套流程更像自动出价（Auto-bidding），而不是要求广告主理解语言模型词表，再手工填写成千上万个数值。

当然，省下整棵树的计算，并不等于没有成本。在线服务时，系统先通过常规广告漏斗召回一个很小的候选集，再对候选广告主进行条件前向计算。

论文中的三广告主实验显示，端到端平均延迟约为自然回答的 3.53 至 3.94 倍，每 Token 耗时约为 3.51 至 3.57 倍，与“候选广告主数+1”的理论计算量基本一致。

收入提高了，回答质量有没有被牺牲？

理论讲完，接下来还是要看数字。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，覆盖三个垂类：

健身：291 条查询，候选广告主包括 Bowflex、C4 Sport、ClassPass；
度假：456 条查询，候选广告主包括 Expedia、Priceline、Tripadvisor；
汽车：492 条查询，候选广告主包括 Kelley Blue Book、Edmunds、CARFAX。

实验使用 Qwen3-14B 作为参考语言模型，通过 LoRA 训练共享报告模型。需要强调的是，实验中的广告价值来自模型预测的展示点击价值，并非真实线上点击。

用户侧质量则根据 GEM-Bench 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维度综合评估。

对比方法覆盖生成前分配、生成后分配、原始回答、编辑插入、广告主策略生成，以及响应级聚合机制 MOSAIC。

〓主实验完整结果表

先看最直观的结果：从均值看，LAMA 的四项指标都是表中最高。

平台福利为 0.5205，最佳基线为 0.5080；
平台收入为 0.8305，最佳基线为 0.7501，提升约 10.7%；
广告主价值为 0.8568，最佳基线为 0.8253；
用户质量为 66.5239，最佳基线为 66.4785，两者在误差范围内基本持平。

这组结果最值得注意的并不是“所有数字都更高”，而是：收入和广告主价值的提升，没有以明显牺牲回答质量为代价。

来看看一条真实回答：Expedia 出现了，为什么最后赢的是 Tripadvisor？

具体来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。生成结束后，机制抽中的单一赢家是 Tripadvisor。

为什么是 Tripadvisor？

从文字内容看，Expedia 在前半段更像一个引出马尔代夫、巴厘岛和加勒比海等目的地的品牌锚点；Tripadvisor 所在句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——价值表达更完整。

这种差异能帮助我们理解，为什么 Tripadvisor 的终点分配概率可能更高。不过要强调，这只是对单个样本的直观解读；机制形式上仍按终点后验概率抽取赢家，并不是由一个“语义评委”直接挑出更好的广告语。

这个例子还说明，文本中提到某个品牌，不等于它已经获得最终广告曝光。在论文设定里，赢家品牌会以粗体显示，它对应的整句高亮片段才被分配为超链接区域；其他品牌即使在生成轨迹中出现，也不是这次拍卖的最终赢家。

〓图4：回答先后提到 Expedia 与 Tripadvisor，最终赢家为 Tripadvisor，橙色高亮句是分配给超链接的文本区间。

论文还做了一个很直观的出价偏移实验。研究者固定其他广告主，只把目标广告主的报告整体从诚实值上下平移。结果很符合直觉：报得越高，它贡献的 Token 比例、最终分配概率和支付就越高。

但有意思的是，按真实价值计算的期望效用，恰好在诚实报告处达到峰值。过度抬价确实能抢到更多影响力，却会被更高支付抵消。这当然不能替代理论证明，但它把“诚实为什么最划算”画得很直观。

〓图5：虚线位置为诚实报告。前三项随报告提高而增加，真实期望效用在诚实点达到峰值。

拍卖发生在 Token 层，不等于把每个字都做成广告

看到 “Token-Level Advertising” 这个名字，第一反应很容易是满屏高亮、每个词都在竞价。其实不是。

这里的 Token 级，说的是影响生成和更新分配的粒度，并不要求最终界面逐 Token 展示广告标签。

论文研究的是单赢家场景：整段回答完成后，最终曝光仍然可以采用用户熟悉的形式，例如：

1. 在回答中为赢家品牌添加一个清晰标注的超链接；

2. 让整段相关回答成为可点击内容块；

3. 在回答下方附加赞助卡片。

〓图6：相同的 Token 级生成机制，可以对应超链接、可点击回答块和赞助卡片三种前台形态。

换句话说，机制负责的是后台的内容生成、分配和支付；至于前台如何披露广告、保护用户信任、避免误导，仍然要靠产品政策和安全系统共同完成。

这条路能走多远？先看机会，也看边界

说到这里，自然会问：这套机制到底能用在哪？LAMA 最重要的贡献，不是给现有广告位设计了另一种排序公式，而是把机制设计的边界往前推了一步：

过去，拍卖决定谁获得一个已经存在的机会；在生成式界面里，机制还可以决定这个机会如何出现。

顺着这条思路，至少有三个现实的商业场景值得关注。

数字导购。用户主动询问商品推荐时，品牌价值与回答内容天然耦合。机制可以让商业信息在生成过程中竞争，同时用参考模型约束自然度。

本地生活。餐厅、酒店、旅行服务等候选集合较小，用户又有明确决策意图，适合先召回少量候选，再让分配随回答逐步演化。

智能体自动化工作流。当智能体执行一条多步流程时，每一步都可能调用不同的付费工具。未来的“赞助工具选择”也许不再是静态列表，而是嵌入决策轨迹的序贯机制。

但先别急着把它想成一套马上就能上线的广告系统。目前的结果仍是概念验证，距离真实投放还有几道明确的边界：

论文只研究单次、单赢家机会，尚未覆盖多赢家、跨请求预算、ROI 约束和长期竞价；
精确的激励保证依赖精确报告，有限数据训练出的模型只能近似恢复这些报告；
广告价值来自离线模型预测，而不是真实投放中的点击与转化；
三广告主设置已经带来约 3.5 至 3.9 倍端到端延迟，候选集扩大后的系统优化仍是关键；
真实性、披露、隐私、品牌安全和用户信任，并不会由拍卖机制自动解决。

所以，这项工作的价值更像一张新的地图，而不是一套已经可以直接上线的广告产品。它提醒我们，生成式广告的核心问题可能不只是“把广告放在哪里”，而是：

当内容、机会和分配同时被生成时，怎样为人、模型与商业主体设计一套共同遵守的规则？

如果把全文压缩成一句话，就是生成即分配：传统广告拍卖分配的是货架上的位置；LAMA 试图回答的，是货架本身如何在生成中长出来。

通讯作者

祁琦，中国人民大学高瓴人工智能学院长聘教授，博导，国家高层次青年人才，CCF 中国计算机学会计算经济学专委副主任委员（执行）兼办公室主任。博士毕业于美国斯坦福大学，师从叶荫宇教授。曾任香港科技大学助理教授。主要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。研究成果在人工智能、计算机理论科学、运筹与优化、经济等领域的多个顶级期刊如 MS，OR，MOR, GEB, TR-B 和 CCF-A 类会议如 STOC, ICML, NeurIPS, ICLR, ACL, AAAI, KDD, SIGIR, WWW 等发表。在互联网广告上的研究和应用成果也获得了两项美国专利。任计算经济学领域顶级会议 WINE2014 及 WINE2024 的程序委员会主席。主持多项香港科学基金研究项目和国家自然科学基金项目。同时长期与百度、阿里、腾讯、美团、字节、滴滴、华为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。

参考文献

[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] Adobe Digital Insights, AI-driven traffic surges ahead in Q2: Engagement and value climb across industries, 2025-06-24: https://business.adobe.com/blog/ai-driven-traffic-surges-ahead-in-q2

[3] OpenAI Help Center, Ads in ChatGPT, accessed 2026-09-04: https://help.openai.com/en/articles/20001047-ads-in-chatgpt

[4] 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/

[5] WPP Media, This Year Next Year 2026 Midyear Forecast: Global ad revenue to grow 8.9% to $1.3 trillion, 2026-06-16: https://www.wppmedia.com/news/report-this-year-next-year-midyear-2026

[6] Hanbing Liu, Bowei Zhang, Changyuan Yu, Yinyu Ye, Qi Qi, Token-Level Advertising, arXiv:2608.27382, 2026: https://arxiv.org/abs/2608.27382

[7] Avinava Dubey, Zhe Feng, Rahul Kidambi, Aranyak Mehta, Di Wang, Auctions with LLM Summaries, KDD 2024: https://doi.org/10.1145/3637528.3672022

[8] MohammadTaghi Hajiaghayi, Sébastien Lahaie, Keivan Rezaei, Suho Shin, Ad Auctions for LLMs via Retrieval Augmented Generation, NeurIPS 2024: https://proceedings.neurips.cc/paper_files/paper/2024/hash/20dcab0f14046a5c6b02b61da9f13229-Abstract-Conference.html

[9] Santiago Balseiro et al., Position Auctions in AI-Generated Content, arXiv:2506.03309, 2025: https://arxiv.org/abs/2506.03309

[10] Ermis Soumalias, Michael J. Curry, Sven Seuken, Truthful Aggregation of LLMs with an Application to Online Advertising (MOSAIC), NeurIPS 2025: https://proceedings.neurips.cc/paper_files/paper/2025/hash/d60b6b7f0ba6bf07d975b3bbdacea702-Abstract-Conference.html

[11] Paul Dütting, Vahab Mirrokni, Renato Paes Leme, Haifeng Xu, Song Zuo, Mechanism Design for Large Language Models, WWW 2024: https://doi.org/10.1145/3589334.3645511

[12] Chujie Zhao, Qun Hu, Shiping Song, Dagui Chen, Han Zhu, Jian Xu, Bo Zheng, LLM-Auction: Generative Auction towards LLM-Native Advertising, arXiv:2512.10551, 2025: https://arxiv.org/abs/2512.10551

更多阅读