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
广告周报

广告周报 - 2026.03.02 ~ 2026.03.08

📅 周期：2026-03-02 ~ 2026-03-08

📝 字数：14520 字

⏰ 生成时间：2026-03-09 06:13:23 CST

（覆盖时间：北京时间 2026-03-02 00:00:00 ~ 2026-03-08 23:59:59）

1. 产品动态（3-4 条）

  1. Meta Ads：点击归因口径重写，引入“Engage-through Attribution”

    • 变化点：Meta 在北京时间约 3 月 3 日发布“简化广告衡量”的更新：将 点击归因 限定为“落地页链接点击”（不再把点赞、评论、分享、放大视频等互动算作 click-through），同时把这类社交互动统一归入新的 engage-through attribution 类别，并下调视频 engaged view 的时长阈值（10s→5s），3 月下旬起逐步在账户侧生效。(ppc.land)
    • 影响：Ads Manager 报表中的点击转化数、CPA/ROAS 将系统性下降，但更接近 GA 等三方分析工具；依赖 click-only 归因做出价/预算决策的账户，如果不调整目标和乘数，可能出现“报表变差—过度限流”的假阴性效应。

  2. Meta Ads：Business Portfolio 账户被推向“强制月结”体系 [不确定]

    • 变化点：3 月 2–3 日，多家代理与广告主反馈收到平台站内信：自 2026-04-01 起，所有挂在 Business Portfolio 下的广告账户需切换为 Monthly Invoicing（月度对账支付）作为主要付款方式，信用卡/预付只能作为补充手段。该要求目前尚未在 Meta 官方公开文档中完整披露，主要来自通知截图与社区讨论。(adsuploader.com)
    • 影响：[不确定] 对中大型投放主体（尤其多账户、多币种投放的跨境电商）将重塑现金流和风控流程：需预留授信额度、对账节奏和开票流程；中小广告主若无法获得月结资质，可能被迫把投放拆出 Business Portfolio 或降低整体投放规模。建议在内部视为“高概率即将落地”的政策变更，提前与财务/法务排期。

  3. Google Ads：Demand Gen Lookalike 从“硬约束人群”变为“AI 优化信号”

    • 变化点：Google 在 2 月通过邮件通知并在 3 月 4 日的月度更新中再次强调：自 2026-03-15 起，Demand Gen 系列中 Lookalike Segment 将不再作为严格的受众边界，而是作为 AI 扩量的优化信号，原有 narrow / balanced / broad 相似度层级仅作为“建议”，系统可超出该池子投放。(almcorp.com)
    • 影响：
      • 顶部拓新投放会出现 更宽的触达 + 更不稳定的早期 CPA，尤其对小样本、高客单的 B2B / 垂直品类风险更大。
      • 媒体方“控人群”能力进一步削弱，策略重心需从“精细圈人”转向“高质量 seed + 严格转化信号 + 强约束预算”。

  4. Amazon Ads：Creative Agent 创意智能体进入多市场、多格式实用阶段

    • 变化点：Amazon Ads 的 Creative Agent（内嵌于 Creative Studio 的“对话式创意智能体”）在 2025 年首发后，2026 年 2 月已在加拿大等市场推出，并支持包括 Streaming TV 在内的多种广告格式；3 月 3 日多家代理与行业博客基于亚马逊官方信息，系统性解读了其在广告主侧的使用路径。(retail-insider.com)
    • 影响：对以往依赖外包设计的视频/展示广告主，Creative Agent 实质上提供了“0 额外 SaaS 成本 + 端到端脚本/画面/配音生成 + 多版本测试”的生产线，显著降低 A/B 创意迭代门槛；但产出质量高度依赖商品素材、品牌资产输入和人类审核，不能简单视作“自动赚钱按钮”。

2. 论文（3–4 条）

  1. IDProxy：多模态 LLM 赋能的小红书冷启动 CTR 预测

    • 论文：IDProxy: Cold-Start CTR Prediction for Ads and Recommendation at Xiaohongshu with Multimodal LLMs，Yubin Zhang 等，小红书 & 上交大 & 复旦，发表于 2026-03-02（arXiv:2603.01590）。(arxiv.org)
    • 核心方法：
      • 将多模态大模型作为“ID 代理生成器”：从图文内容、标题、描述等生成 proxy embedding，显式对齐到既有 ID embedding 空间。
      • 与主 CTR 排序模型在同一目标下端到端训练，使冷启动物料在“无历史行为”的情况下也能被主干模型自然消费。
      • 已在小红书探索信息流的内容推荐和展示广告两个场景上线，每日服务数亿用户。
    • 落地启示：
      • 对强依赖 ID embedding 的广告/推荐系统，可优先在 新品/新广告冷启动 槽位引入“多模态代理向量”，替代人工规则 mapping。
      • 工程侧要点：保证生成 embedding 与在线 ID 空间的版本一致性，并严格监控延迟（建议离线/近线生成 + 在线 cache）。

  2. NextAds：面向下一代个性化视频广告的生成式范式

    • 论文：NextAds: Towards Next-generation Personalized Video Advertising，Yiyan Xu 等，中科大 & 河海大学 & 新加坡国大，发表于 2026-03-02（arXiv:2603.02137）。(arxiv.org)
    • 核心方法：
      • 将视频广告从“从有限创意库检索”提升为“在服务时生成 & 重组”的生成式范式，提出四大组件，并定义两类任务：个性化创意生成 与 个性化创意集成。
      • 搭建端到端 pipeline，利用 GenAI 在投放时动态生成/拼接广告素材，并在轻量基准上验证可行性。
    • 落地启示：
      • 对重度视频广告业务（如短视频信息流），可参考其任务拆分，把现有 “素材中心 + 检索/排序” 架构往“检索 + 生成重混”演进；
      • 短期可优先尝试“模板化生成 + A/B 测试”（如背景/文案/贴纸），避免直接上全自由度视频生成带来的审核与品牌风险。

  3. GR4AD：快手大规模生成式广告推荐框架

    • 论文：Generative Recommendation for Large-Scale Advertising，Ben Xue 等，快手，发表于 2026-02-26（arXiv:2602.22732）。(arxiv.org)
    • 核心方法：
      • 提出 GR4AD 生成式推荐架构，三方面协同设计：

        1）UA-SID（Unified Advertisement Semantic ID）统一编码广告复杂业务信息；

        2）LazyAR（懒惰自回归解码）在短序列多候选生成场景下放松层间依赖，降低推理开销；

        3）引入 VSL（Value-Aware Supervised Learning）+ RSPO（Ranking-Guided Softmax Preference Optimization），在 list 级别对业务价值做强化。
      • 在线 A/B 显示：相对 DLRM 基线最高实现 4.2% 广告收入提升；已在快手广告系统全量部署，覆盖 4 亿+ 用户。
    • 落地启示：
      • 对已有 DLRM / DIN 体系的广告平台，GR4AD 提供了一个“生成式补全 + 价值对齐 RL”的演进路径；
      • 关键是围绕 token 设计（业务语义 ID）、推理延迟与 Beam Size 动态调度 做工程化折中，避免生成式模型拖垮整体 QPS。

  4. Constraint-Aware Generative Re-ranking：多目标广告信息流的约束感知生成重排

    • 论文：Constraint-Aware Generative Re-ranking for Multi-Objective Optimization in Advertising Feeds，Chenfei Li 等，发表于 2026-03-04（arXiv:2603.04227）。(arxiv.org)
    • 核心方法：
      • 将“在多约束（收益、用户体验等）下做广告信息流重排”的问题建模为 有界神经生成解码，在一个统一网络中同时完成序列生成和 reward 估计。
      • 提出 constraint-aware reward pruning，在解码过程中直接剪枝不满足约束的候选序列，从而在有限推理 budget 下找到兼顾多目标的排序。
      • 在大规模工业数据及在线实验上，实现平台收入与用户参与度同步提升，并满足严格的延迟要求。
    • 落地启示：
      • 适合有明确“广告/内容混排 + 强约束”（如广告占比、频控、品类配比）的信息流场景，可替换传统“启发式规则 + 贪心重排”为“生成式+约束剪枝”；
      • 实践中需设计好软硬约束层级，避免模型在训练阶段学到无法满足的 reward 结构。

3. 技术文章（3–4 条）

  1. Meta 归因改版深度解析：重新校准指标、出价与多触点测量

    • 来源：Leaf Signal《What Meta’s March 2026 attribution update means for your reporting & performance》（2026-03-03）。(leafsignal.com)
    • 核心观点 / 技术方案：
      • 梳理了 Meta 将 click-through 收紧为 link click、把非链接互动归入 engage-through 的两大变化，并预期 3 月中后期报表将出现“点击转化数下降、CPA/ROAS 抬升”的结构性断点。
      • 给出三类应对建议：① 更新基于增量/第三方测量的调参系数；② 调整 ROAS / Cost-per-result 出价目标，避免因表观转化下滑导致投放被过度限流；③ 结合 view-through / engage-through 做更全面归因。
    • 可借鉴要点：
      • 内部报表体系要 显式标记 2026-03 起 Meta 归因口径变更点，避免运营/财务误读；
      • 对使用自动出价的广告组，建议在更新目标前做一轮“软放宽目标 + 观察稳定后再逐步收紧”的节奏控制。

  2. Google Demand Gen Lookalike 策略拆解：从“圈人”到“喂信号”

    • 来源：ALM Corp《Google Ads Demand Gen Lookalike Segments Shift to AI Signals in March 2026》、Adriaan Dekker 的 Google Ads 月度更新、以及多位 PPC 专家的 LinkedIn 讨论（发布于 2 月 19 日～3 月 4 日，3 月内持续发酵）。(almcorp.com)
    • 核心观点 / 技术方案：
      • 解释了 Lookalike 从“硬受众”变为“AI 扩量信号”的机制变化：系统将优先覆盖 lookalike 池，但可主动扩展到池外“相似但未在 seed 中”的用户。
      • 建议用 高质量、一致口径的 seed 列表（CRM 成交、LTV 高用户）替代“量大但噪声重”的混合人群列表；
      • 强调要用 转化质量+下游 LTV 评估新机制，而不是只看短期 CPA。
    • 可借鉴要点：
      • 将内部对“Lookalike 的心智”从“精准圈选”重置为“给模型的强信号”，并用更多资源投入 标签质量和事件定义；
      • 在 Demand Gen 上运行 并行实验（旧人群结构 vs 新 seed 结构），以 2–4 周为单位评估是否继续加码。

  3. LEAPS：淘宝对话式搜索的 LLM 插件化改造实践

    • 来源：Emergent Mind《LEAPS: LLM-Empowered Adaptive Plugin for Taobao AI Search》技术解读（基于 2026-01-09 arXiv 论文）。(emergentmind.com)
    • 核心观点 / 技术方案：
      • 提出“Broaden-and-Refine”双插件架构：
        • 上游 Query Expander 通过三阶段训练（逆向数据增强 + 后验知识 SFT + 多样性强化学习）生成多样 rewrites，显著降低 0 结果率；
        • 下游 Relevance Verifier 融合 OCR、评价、交易等多源信息，并利用 CoT 进行细粒度语义判定，以过滤噪声。
      • 线上结果：低结果率从 24.88% 降至 16.98%（-31.7%），CTR 从 9.39% 提升到 10.93%（+16.4%），在不改动原检索/排序主干的前提下增强对话搜索体验。
    • 可借鉴要点：
      • 对现有电商/本地生活搜索系统，可优先按“黑盒插件”思路，在入口和出口各挂一个 LLM 组件，而不是一次性重写整个检索栈；
      • RL 训练中要引入多维 reward（召回、去重、多样性），并通过 CoT 提升判定鲁棒性和可解释性。

  4. 生成式推荐与视频广告：社区视角的集中综述

    • 来源：Recsys Frontier《推荐算法日报 - 2026-03-03》，围绕 GR4AD、NextAds、MealRec 等近期论文进行系统点评。(blog.recsys-frontier.com)
    • 核心观点 / 技术方案：
      • 指出 生成式推荐在短视频/广告场景的三条主线：

        1）以 GR4AD/GPR 为代表的 一体化生成式广告推荐；

        2）以 NextAds 为代表的 生成式创意优化与重混；

        3）以 MealRec 等为代表的 扩散模型 + 多模态行为序列建模。
    • 可借鉴要点：
      • 对平台侧技术规划，可把“生成式推荐”视为未来 1–2 年的重点方向，按“候选生成 → 重排 → 创意生成”三个层级分阶段推进，而非一次性重构。

4. 本期可执行行动清单（1–2 条）

行动 1：围绕 Meta 归因与 Google Lookalike 改版，重构指标与出价策略

  • 适用场景：

    • 客单价中高、强依赖付费社交和 Demand Gen 拓新的电商 / 订阅 / 本地生活广告主；
    • 内部已建立基于 Ads Manager 指标的 ROI/ROAS KPI 体系。

  • 落地路径：

    1. 指标基线重建（1 周内）
      • 为 Meta 建立“旧口径映射新口径”表：以 2026-02 为基准，利用 GA4 / 自研 MTA 对比 Ads Manager，评估“新 click 定义”下的平均倍率差异，形成分业务线的调整系数。(leafsignal.com)
      • 针对 Google Demand Gen，重新梳理 Lookalike seed：去除低质量/噪声用户，仅保留高价值 CRM/高 LTV 列表，并记录变更前后的 CPA/LTV 对比。(almcorp.com)
    2. 出价与预算策略调整（接下来的 2–4 周内）
      • 对使用 ROAS / Cost-per-result 自动出价 的 Meta 广告组，在新口径生效后的首周内：
        • 将目标值 放宽 10–20%，避免因“转化计数骤降”触发系统强限流，再根据 2 周滚动数据逐步收紧。
      • 对 Demand Gen，采用 A/B Bucket：
        • Bucket A：旧的多层 Lookalike + 严格频控；
        • Bucket B：新 seed（高质量 CRM 列表）+ 放宽扩量，但叠加更严格的转化质量过滤（如基于订单状态/退款状态的离线回传）。
    3. 经营报表与团队心智同步（持续）
      • 在管理层/财务看到的 ROI 报表中，单独增加“归因口径调整影响（估算）”一列，避免把统计口径变更解读为业务真实下滑。

  • 注意事项 / 风险：

    • Meta 归因和 Google Lookalike 的改动都带有 不可逆的时间断点，很难精确回放旧口径；建议在 3 月起对所有关键账号做数据归档和注释。
    • 对小样本、高客单价业务，自动出价在新口径下易出现“学习困难”；必要时考虑阶段性回退到 手动出价 + 严格人群/频控，再平滑过渡。

行动 2：以“冷启动 + 多目标重排”为切入点，规划平台侧生成式广告推荐 PoC

  • 适用场景：

    • 自建广告 / 推荐系统的平台（电商、内容社区、短视频平台等），存在明显冷启动问题（新品、新广告、长尾内容曝光不足），且首页/信息流需兼顾 GMV、广告收益与用户体验。

  • 落地路径：

    1. 冷启动 CTR 模块 PoC（1–2 个迭代周期）
      • 参考 IDProxy，在实验环境中引入 多模态 LLM/MLLM 编码器，为冷启动 item（新品货品、新广告素材）生成 proxy embedding：
        • 数据侧：采集图像、标题、描述、卖点、类目等多模态信息；
        • 模型侧：对齐到现有 ID 向量空间，并与主 CTR 模型 联合训练/蒸馏。(arxiv.org)
      • 实验设计：
        • Offline：对冷启动样本评估 AUC/Calibration 改善；
        • Online：选择 ≤5% 流量、以冷启动占比较高的频道为试验桶，观察 CTR、下单率、商家反馈。
    2. 多目标生成式重排试点（后续 1–2 个季度）
      • 借鉴 GR4AD 与 Constraint-Aware Generative Re-ranking：
        • 在现有排序后增加一个 轻量生成式重排层，对已召回列表做小规模“序列重排”，目标同时优化 eCPM、GMV 与用户停留。(arxiv.org)
        • 把“广告占比 / 高频广告 / 品类多样性”等作为硬约束写入 reward/pruning 逻辑，避免模型因单一目标（收入）牺牲用户体验。
      • 工程路径：
        • 第一阶段以 Shadow / 离线 Replay 方式验证：在不影响真实曝光的前提下，模拟生成式重排结果；
        • 第二阶段小流量上线（≤1%），仅在“曝光足够多的成熟频道 + 宽裕流量”的场景启用。
    3. 与业务方共建评估指标体系
      • 除传统 CTR/CVR/eCPM 外，增加 新品覆盖率、广告商家留存、用户投诉率/屏蔽率 等多侧指标，以避免“只追收入”的局部最优。

  • 注意事项 / 风险：

    • 生成式模型往往带来 显著的推理延迟与算力成本，在设计时应优先采用 LazyAR、动态 Beam 等技术，并限制在重排阶段、少量候选上使用。(arxiv.org)
    • 在监管较严格的市场，生成式创意/排序需明确风控规则与审计 pipeline，避免出现违规文案、错配人群等合规问题。

5. 论文与链接列表

5.1 本期论文列表

  1. IDProxy: Cold-Start CTR Prediction for Ads and Recommendation at Xiaohongshu with Multimodal LLMs

  2. NextAds: Towards Next-generation Personalized Video Advertising

  3. Generative Recommendation for Large-Scale Advertising (GR4AD)

  4. Constraint-Aware Generative Re-ranking for Multi-Objective Optimization in Advertising Feeds

  5. LEAPS: An LLM-Empowered Adaptive Plugin for Taobao AI Search（在技术文章中引用）

  6. Towards Faithful Industrial RAG: A Reinforced Co-adaptation Framework for Advertising QA（作为广告 QA/RAG 参考背景）

5.2 本期外部链接列表（产品动态 & 技术文章等）

Meta / 社交广告相关

  1. Meta 归因改版新闻与分析

  2. Meta 月结政策动向 [不确定，基于从业者反馈]

  3. Meta 广告稳定性与 Outage 背景（用于行动建议中关于韧性投放的参考）

Google Ads / Demand Gen 相关

  1. Google Ads Demand Gen Lookalike 改版

Amazon Ads / Creative Agent 相关

  1. Amazon Creative Agent 多市场落地

搜索 / 推荐 / LLM 技术文章

  1. LEAPS 插件化搜索架构解读

  2. 生成式推荐与广告论文综述

以上信息均基于截至北京时间 2026-03-08 的公开资料整理；对平台尚未在官方文档中明确披露、仅来自从业者反馈或二级媒体的信息，均已用「[不确定]」标注并建议在内部进行二次核验。