aixpilot.com

Pilot Your Work with AI

浏览每日/每周/每月的广告与 AI 洞察报告，掌握行业动向

📢 广告日报 📢 广告周报 📢 广告月报 🌟 AI先驱周报 🤖 AI日报 🤖 AI周报 🤖 AI月报
← 返回首页
广告月报

广告月报 - 2026年02月

📅 周期：2026-02-01 ~ 2026-02-28

📝 字数：13449 字

⏰ 生成时间：2026-03-01 06:24:35 CST

1. 产品动态

  1. OpenAI / ChatGPT：面向 Free & Go 用户开启内嵌广告测试

    • 变化点：OpenAI 在 2 月 9 日的 ChatGPT 发布说明中宣布，开始向美国地区已登录的 Free 与 Go 用户灰度测试对话内广告；广告以“Sponsored”区块形式展示在回答下方，且不嵌入模型输出文本本身，敏感领域（健康、政治等）和未成年人会被排除在投放之外。(help.openai.com)
    • 影响：这是首个主流对话式 LLM 正式上线的系统级广告位，未来有望演进为“LLM 原生广告”流量入口；短期内广告主需关注其定向粒度（基于当前对话上下文而非长期画像）、品牌安全约束以及与搜索广告、信息流广告的预算协调。

  2. Google Ads：发布 Google Ads API v23.1，强化合规与创意控制

    • 变化点：Google 在 2 月 25 日发布 Google Ads API v23.1，小版本为非破坏式升级，引入 EU 政治广告合规字段（如 Campaign.missing_eu_political_advertising_declaration、Customer.contains_eu_political_advertising）、新的视频上传服务 YouTubeVideoUploadService，并在 Campaign 对象上增加“文本指南（text guidelines）”以程序化约束 AI 生成文案，同时新增多档“去重触达用户数”频次指标（unique_users_two_plus 等）。(ads-developers.googleblog.com)
    • 影响：对国内外代理商和工具商而言，一方面需要在 2026 年内完成版本迁移（v19 已于 2 月 11 日下线），另一方面可利用文本指南字段在 PMAX / Search 中“软约束”AI 资产生成，降低品牌风险、提升多语言自动创意质量。

  3. Meta：Graph / Marketing API v25.0 推出，度量体系由 Reach 向 Views 收敛

    • 变化点：2 月中下旬，Meta 正式面向开发者推出 Graph API 与 Marketing API v25.0，宣布将逐步废弃 Page/Post Reach、Video Impressions、Story Impressions 等“到达/展示”类旧指标，统一收敛为 Media Views / Media Viewers，并在 Ads Insights Async API 中新增结构化错误字段（error_code、error_user_msg 等）提升诊断能力。(mobilemarketingreads.com)
    • 影响：第三方监测平台和内部 BI 仪表盘需要在上半年完成指标体系迁移，否则历史报表前后口径将出现断层；同时，异步报表错误信息更细化，便于构建自动告警与重试机制，减少大规模报表任务“悄然失败”的风险。

  4. 巨量引擎：2026 年 Q1 IAP 抖小激励政策上线，深推小游戏变现

    • 变化点：巨量引擎于 2 月 3 日发布《2026 年 Q1 IAP 抖小激励政策》，在 2 月 1 日–3 月 31 日期间，对符合条件的内购类抖音小游戏提供最高 40% 现金消耗赠款，单款封顶 400 万元，覆盖新游与老游，联动“投放赠款+同发扶持+新游测出”等环节。(36kr.com)
    • 影响：对于买量团队，这是在信息流+小程序内 IAP 的一次“政策性杠杆”；短期可以通过拉高预算、配合激励视频与直播挂载，快速做 ROI 试探，但需评估激励退坡后真实 LTV，避免“补贴红利”阶段形成不可持续的出价策略。

2. 论文

  1. 《Enhancing Bandit Algorithms with LLMs for Time-varying User Preferences in Streaming Recommendations》(arxiv.org)

    • 作者及单位：Chenglei Shen, Yi Zhan, Weijie Yu, Xiao Zhang, Jun Xu；作者主要来自中国人民大学高瓴人工智能学院 Intelligent Information Retrieval Lab 等机构。
    • 发表时间：2026-02-08（arXiv:2602.08067）。
    • 核心问题：流式推荐中用户兴趣随时间变化，传统 bandit 方法仅将时间当作时间戳，既难以刻画“时间-兴趣”的关联，又在早期在线阶段探索效率低。
    • 核心方法：提出 HyperBandit+：
      • 用 时间感知 hypernetwork 生成 bandit 模型参数，显式建模时间特征与用户偏好的映射；
      • 设计 LLM Start 机制，通过 LLM 生成多步交互数据进行离线预热，作为 bandit 的 warm-start 参数；
      • 结合低秩分解降低 hypernetwork 训练复杂度，并给出了同时考虑 hypernetwork 与 LLM warm-start 的次线性遗憾上界。
    • 关键结果：在多组真实流式推荐数据上，HyperBandit+ 在累积收益指标上显著优于现有 bandit 基线，证明“时间-aware + LLM 预热”对冷启动和非平稳偏好的有效性。
    • 落地启示：对有长时交互链路（长视频、直播、电商 feed）的推荐/广告系统，可以：
      • 在现有 bandit / UCB 框架外，加一层时间超网络做“日/周节律 + 活动窗口”的参数调制；
      • 用 LLM 基于日志做“对话式补全”合成用户-物料交互，用于 warm-start 小流量新频道、新策略，而不直接上真实流量。

  2. 《Autobidding Equilibria in Sponsored Shopping》(arxiv.org)

    • 作者及单位：Paul Dütting, Renato Paes Leme, Yuhao Li, Kelly Spendlove, Yifeng Teng；多位作者长期就职于 Google Research 等机构，论文相关报告亦由 Google Research 的 Yifeng Teng 在北大 CFCS 青年论坛分享。(cfcs.pku.edu.cn)
    • 发表时间：2026-02-25（arXiv:2602.21966）。
    • 核心问题：在 Sponsored Shopping 场景下，同一广告主面对“多商品、多广告位”的组合拍卖，其通过 autobidder（统一出价+ROI 约束） 参与 GSP/VCG 机制时，是否存在稳定均衡？效率与激励性质如何？
    • 核心方法：
      • 建模多商品、多位次的组合分配问题，在 ROI 约束下刻画 uniform autobidding 策略 的可行集合；
      • 在 GSP 与 VCG 两种常见机制下，证明 Autobidding Equilibrium 的普遍存在；
      • 分析在该均衡下的 Price of Anarchy = 2（紧界），即福利最差情况下仍为最优社会福利的一半。
    • 关键结果：论文给出“在合理假设下，平台可以放心让广告主用 ROI autobidder 玩组合购物广告，机制在效率和稳定性上可控”的理论保证。
    • 落地启示：
      • 对电商广告平台（购物广告、商品卡片推荐+广告混排），该结果支持继续推行统一出价+预算/ROI 约束的自动出价，而不用为“多商品多位次”结构单独设计极复杂机制；
      • 平台仍需在实际系统中监控长尾商品曝光与 welfare 分布，避免理论界限附近的极端情况（如部分广告主以极高出价垄断多个位次）。

  3. 《From No-Regret to Strategically Robust Learning in Repeated Auctions》(arxiv.org)

    • 作者及单位：Junyao Zhao，FSMP 博士后，隶属 IRIF（CNRS & Université Paris Cité）。(junyao-zhao.github.io)
    • 版本更新时间：v2 修订于 2026-02-09（arXiv:2601.03853）。
    • 核心问题：在重复的一价/多种单品拍卖中，投标人使用 无悔学习算法 调整出价策略时，能否保证“拍卖方收入不会超过 Myerson 最优机制”，即 学习过程在机制意义上是“可控”的？
    • 核心方法：
      • 将单调出价策略表示为分位数空间上的区间划分，并构造与真实机制配对的“辅助拍卖”；
      • 证明：若每个投标人对其“分位策略”采用任何无悔算法（如 MWU、OGD 等），则拍卖方期望总收入与 Myerson 最优收入之差由总 regret 上界；
      • 由此可将 regret → 战略稳健性：只要每个学习器的 regret 为 o(T)，拍卖方的平均收入不可能长期超过 Myerson 最优。
    • 关键结果：证明了 任意无悔算法 + 满足单调分配和自愿参与的拍卖族，均可获得“收入不超 Myerson”的上界；尤其是常用的 Multiplicative Weights Update (MWU) 同时实现最优 regret 和最强已知的战略稳健性。
    • 落地启示：
      • 对已在广告平台中大量部署的“learning bidder / smart bidding”而言，该结果为“允许广告主运行自己的学习出价器”提供了安全边界：平台收入不会因学习算法而异常放大。
      • 对平台内部的 RL / bandit 出价器设计，可更多关注 regret 指标，并在满足单调性与 IR 的机制族内放心演化，而无需额外引入复杂的“反操纵”约束。

3. 技术文章

  1. 阿里妈妈技术：《ABPlanner：基于 Few‑Shot 的个性化自动出价模型》（2026-02-06）(hub.baai.ac.cn)

    • 核心观点：在预算约束自动出价场景下，单一层级的出价器很难同时适配不同广告主、又保持样本效率；应当用 分层出价框架 + 少样本自适应预算规划器（ABPlanner），在“预算规划层”上做个性化学习。
    • 技术方案：
      • 将一天或一轮投放拆成多个阶段（按时段/曝光量），高层 Budget Planner 负责在阶段间分配预算，底层出价器在阶段内执行；
      • 将 Budget Planner 建模为 MDP，通过 PPO 等深度强化学习算法，在“每轮一次决策”的低频空间内学习预算调整策略；
      • 利用历史回合数据作为“提示（prompt）”，实现 few-shot 适配新广告主；
      • 线上 A/B 显示：在不改动底层出价器的前提下，累计展示价值与转化数显著提升，并在部分天数中实现成本下降。
    • 可借鉴要点：
      • 对已有“统一 auto-bidder”的平台，可以优先在 预算分配层 实验 ABPlanner，而不用立即重写出价器；
      • 强调“阶段化视角”和“跨回合提示”，对接类似预算排期或日内节奏控制的业务非常契合。
      • 结合其 KDD’25 论文，可在离线仿真环境中先做策略评估，再逐步上线。

  2. Amazon Ads：《The precision revolution: How AI helps eliminate advertising complexity》（2026-02-04）(advertising.amazon.com)

    • 核心观点：广告行业正在从“经验 + 手工调参”迈向“AI 驱动的精确化运营”，关键不在于再堆工具，而是用 AI 接管操作复杂度，让人只做“目标与创意的决策”。
    • 技术方案 / 工具组合：
      • Creative Agent：基于品牌店铺与商品详情自动生成多格式创意，用对话式接口产出可直接投放的 Streaming TV、视频、展示广告素材；
      • Ads Agent：以自然语言接口创建、优化与分析广告活动，实现“说出目标 → 生成全漏斗方案”的工作流；
      • Full-Funnel Campaigns（Q1 计划上线）：支持通过 NL 直接编排从认知到转化的全漏斗活动，由 AI 自动完成定向、出价和跨格式优化。
    • 可借鉴要点：
      • 对自建投放平台，可对标其“三层栈”：创意生成 Agent → 活动编排 Agent → 自动优化引擎，将 PM 人力从素材与结构配置中解放出来；
      • 强调“Glass Box”而非 Black Box：即使由 AI 负责优化，也要在 UI 中清晰呈现受众特征、投放分布和贡献度，便于运营与品牌方理解和干预。

  3. Viacheslav Yurenko：《Meta Updates Graph API and Marketing API to v25.0: What Businesses Need to Know》（LinkedIn，2026-02-22）(linkedin.com)

    • 核心观点：Meta v25.0 不是简单的 API 小升级，而是围绕 统一度量（views）、Advantage+ 自动化与 API 简化 的一次结构性调整，需要把它当作“广告系统现代化项目”而非“合规打补丁”。
    • 技术解析：
      • 度量统一：Reach / Impressions / 3s views 等旧指标将在 2026 年中前后退场，API 层面全面迁移到 Media Views / Media Viewers；
      • 自动化默认化：Marketing API v25.0 推动 Advantage+ 成为主流配置方式，旧有非 ODAX / 非 Automation Unification 配置将被逐步废弃；
      • 基础设施变更：包括 Webhooks mTLS 证书更换、Ads Insights Async API 错误结构细化、metadata=1 等遗留参数弃用。
    • 可借鉴要点：
      • 对依赖 Meta API 的行业工具与内部系统，需要建立 API 治理机制：版本跟踪、定期集成审计、迁移路线图；
      • 在业务侧，应同步调整 KPI 口径，将“views”作为跨 FB/IG 的统一上层度量，并重构可视化报表和历史对比逻辑；
      • 对投放团队，要从“精细手工 audience 结构设计”转向“目标设定+创意+数据质量”的三件事，其余交给 Advantage+ 与平台算法。

4. 本期可执行行动清单

行动 1：建立跨平台 API & 度量升级路线图（Meta v25.0 + Google Ads v23.x + ChatGPT Ads）

  • 适用场景：
    • 使用 Google Ads / Meta Ads / 其他社交平台 API 自建投放或报表系统的广告主、代理商与 SaaS 工具商。
  • 落地路径：
    1. 能力盘点（1–2 周）
      • 列出当前使用的所有广告 API 版本与依赖字段（Google Ads v19/v20/v21/v22/v23；Meta Marketing API v23/v24 等），标注哪些在 2026 年内有 sunset / 废弃风险。(ads-developers.googleblog.com)
      • 盘点内部报表、归因与风控系统中对 Meta Reach/Impression、Google 旧指标的使用点。
    2. 设计统一度量与治理规范（2–4 周）
      • 定义统一的 “views-based” 上层指标（含去重与多频段指标），并映射到各平台的新字段（Meta Media Views、Google v23+ 新频次指标等）。(mobilemarketingreads.com)
      • 引入 API 版本管理（如每季度审查、预设迁移时间窗）与 错误治理机制（利用 Meta Ads Insights Async 新错误字段自动重试 & 告警）。(web.swipeinsight.app)
    3. 小范围迁移试点（1–2 个月）
      • 选取 1–2 条业务线或 1–2 个大客户，率先迁移至 Google Ads v23.1、适配 Meta v25.0；
      • 同步接入 ChatGPT Ads 相关数据（若投放），评估其在品牌搜索、长尾问答场景下的增量价值。(help.openai.com)
    4. 全面推广与文档固化（Q2–Q3）
      • 将迁移经验沉淀为内部“广告 API 变更 SOP”，包括测试用例、回滚策略与业务沟通模板。
  • 潜在风险 / 注意事项：
    • Meta 旧指标退场期间，历史数据对比会出现“断档”，需要通过回溯映射或并行报表解决；
    • Google Ads API 版本切换时，要特别关注 v19 下线前后的数据完整性与 attribution lag 对报表的短期扰动。(ppc.land)

行动 2：在自有投放与推荐系统中试点“分层预算规划 + LLM 预热 Bandit”

  • 适用场景：
    • 拥有自研自动出价器 / 推荐 ranker 的大型平台或广告主（电商、游戏、内容平台），希望提升预算利用效率与冷启动表现。
  • 落地路径：
    1. 问题选择与数据准备（2–3 周）
      • 在一个相对独立的广告产品（如小游戏投放、某电商频道、信息流广告位）中，选取“预算约束 + 长时段投放”的场景作为试点。
      • 抽取至少 30–60 天的历史日志，构建离线仿真环境（可借鉴 ABPlanner 与 HyperBandit 的做法）。(hub.baai.ac.cn)
    2. 分层框架 PoC（1–2 个月）
      • 复刻 ABPlanner 思路：
        • 上层：Budget Planner（阶段化预算分配，状态包括历史消耗与收益）；
        • 下层：保持现有 auto-bidder / ranker，不做大改动。
      • 在仿真中以 PPO / DQN 等方法训练 Budget Planner，对比均分预算、简单 heuristic 等基线。(hub.baai.ac.cn)
    3. 引入 LLM 预热的 Bandit/策略（可选，1–2 个月）
      • 对于推荐 / creative 选择问题，可基于 HyperBandit+ 思路，引入时间感知 hypernetwork + LLM 合成轨迹，做在线策略的 warm-start；
      • LLM 只在离线阶段使用，用于生成“合理但未发生”的交互样本，减少真流量冷启动损耗。(arxiv.org)
    4. 小流量在线实验与分阶段放量（持续 1–3 个月）
      • 先将 1–5% 流量切换至“分层预算 + 预热策略”，监控 ROI、消耗稳定性和用户体验指标；
      • 若在多轮节假日/大促中保持稳定收益，再扩展到更多广告主与频道。
  • 潜在风险 / 注意事项：
    • 分层规划与底层出价器的优化目标需对齐，否则可能出现“预算规划器追求短期 ROI，出价器追求长期价值”的冲突；
    • LLM 合成数据若分布偏离真实业务，可能导致策略在上线初期出现过度自信或错误探索，需要通过严格的 offline evaluation 和 conservative 策略部署（如限制学习率、加安全约束）予以缓冲。

5. 论文与链接列表

5.1 本期涉及论文

  1. Enhancing Bandit Algorithms with LLMs for Time-varying User Preferences in Streaming Recommendations

  2. Autobidding Equilibria in Sponsored Shopping

  3. From No-Regret to Strategically Robust Learning in Repeated Auctions

    • arXiv:2601.03853（v2 修订于 2026-02-09）(arxiv.org)

  4. An Adaptable Budget Planner for Enhancing Budget-Constrained Auto-Bidding in Online Advertising（对应 ABPlanner，KDD’25 ADS Track）

  5. HyperBandit: Contextual Bandit with Hypernetwork for Time-Varying User Preferences in Streaming Recommendation（HyperBandit 早期工作，为 HyperBandit+ 奠定基础）

5.2 产品 / 技术 / 资讯链接

  1. OpenAI ChatGPT 发布说明：ChatGPT Ads 测试

  2. Google Ads

    • Google Ads Developer Blog：《Announcing v23.1 of the Google Ads API》（2026-02-25）(ads-developers.googleblog.com)
    • PPC Land：《Google Ads API shifts to monthly releases starting January 2026》(ppc.land)
    • SKU Analyzer：《Google Ads API v23: Complete Guide to the January 2026 Update》(skuanalyzer.com)

  3. Meta / Facebook

    • Social Media Today / Yahoo：《Meta Updates Marketing API to Align With Latest Ad Shifts》（解读 Graph / Marketing API v25.0 与 views 统一度量）(tech.yahoo.com)
    • Releasebot：《Graph API by Meta – Release Notes》（汇总 Graph / Marketing API 更新）(releasebot.io)
    • LinkedIn：Viacheslav Yurenko，《Meta Updates Graph API and Marketing API to v25.0: What Businesses Need to Know》（2026-02-22）(linkedin.com)
    • Swipe Insight：Meta For Developers 源摘要（含 Ads Insights Async API 错误字段更新）(web.swipeinsight.app)

  4. Amazon Ads

    • Amazon Ads Expert Advice：《The precision revolution: How AI helps eliminate advertising complexity》（2026-02-04）(advertising.amazon.com)
    • Amazon Ads News：《2025 Amazon China Seller Conference: Amazon Ads showcases innovations and announcements》（2026-02-17，介绍 Ads Agent、Creative Agent、Sponsored Products prompts 等工具）(advertising.amazon.com)

  5. 巨量引擎 / 字节系

    • 36 氪：巨量引擎《2026 年 Q1 IAP 抖小激励政策》新闻（2026-02-03）(36kr.com)

  6. 阿里妈妈 / 智源社区

    • 智源社区：阿里妈妈技术，《ABPlanner：基于 Few‑Shot 的个性化自动出价模型》（2026-02-06）(hub.baai.ac.cn)

  7. Autobidding Equilibria 相关资讯

    • arXiv：Autobidding Equilibria in Sponsored Shopping（2602.21966）(arxiv.org)
    • 北京大学前沿计算研究中心：CFCS Youth Talks – Autobidding Equilibria in Sponsored Shopping（报告人：Dr. Yifeng Teng, Google Research）(cfcs.pku.edu.cn)

  8. HyperBandit+ 作者信息

    • Chenglei Shen 个人主页（Gaoling School of AI, Renmin University of China, IIR Lab）(starrylay.github.io)

  9. From No-Regret… 作者信息与解读

    • Junyao Zhao 个人主页（IRIF, CNRS & Université Paris Cité）(junyao-zhao.github.io)
    • Chatpaper / The Moonlight 论文解读页（用于确认单位与技术要点）(chatpaper.com)

注：如需进一步落地上述方案，建议优先阅读原论文与官方文档，以获取完整技术细节与最新变更。若内部实现遇到具体工程或实验设计问题，可以在下一个周期聚焦某一条专题做深研。