LAMA Framework Auctions Ads Token-by-Token During LLM Generation
Researchers from Renmin University and Stanford propose LAMA, a large-model-native advertising framework that auctions ads per generated token, integrating ad allocation into the generation process. This shifts from traditional pre-defined ad slots to dynamic allocation where each token influences both content continuation and ad exposure.
Coverage timeline
机器之心机器之心
搜索结果里但凡出现 AI 摘要，用户点开普通网页的几率就几乎腰斩。 Pew Research Center 对美国用户在 Google 上大规模浏览行为的分析发现：有 AI 摘要时，用户点击传统搜索结果的比例从 15%直接暴跌至 8%。[1] 用户正在对话里完成探索和比较，广告也跟着迁移了过来。OpenAI 已经正式上线 ChatGPT Ads，Google 也将广告引入了 AI Overviews，他们给回答挂上赞助商的小卡片，直接延续了搜索引擎时代的模式。[2, 3] 但人们获取信息的范式转变，让人不禁开始重新思考广告的形态： 当信息媒介从整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？ 三十年来，在线广告始终建立在一个默认前提之上： 广告位先存在，拍卖再决定谁获得它 。 搜索结果的名次、信息流中的哪一次展示，都是预先定义好的机会。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、用什么方式介绍，都取决于前面已经写了什么。甚至先谈价格或是先谈体验，都可能为产品造成完全不同的印象。 图 1：在生成式信息媒介里，广告机会在哪出现、由谁获得、如何呈现，会共同影响营销效果与用户体验。 因此，生成不只是填充广告机会，还在塑造广告机会。 在这个新范式下，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，而来自人大高瓴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进到了逐 Token 的生成过程中。 他们提出的 LAMA ，让内容生成与广告分配一同演变：每当生成一个 Token，都在实时影响回答怎样续写，也在影响最终谁获得广告曝光。这就是这项工作提出的核心思路—— 生成即分配（Generation as Allocation） 。 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 大模型每写一个字都是一次竞价过程 把广告拍卖推进到 Token 级，广告主争夺的就不只是最后的曝光机会，还有 回答接下来往哪个方向写 。比如，同样是推荐度假目的地，先谈交通还是先谈住宿，可能让不同广告主在后续竞争中占据优势。广告主也因
