大模型重塑广告：一次生成式的尝试

2022 年，GPT-3 类大模型的能力已经毋庸置疑。我开始探索如何把它应用到广告系统的各个环节。这篇文章记录初期的探索和踩坑。

---

三个应用场景

1. 创意自动生成

广告主写创意太难了。90% 的中小广告主不会写文案，CTR 低得可怜。

用大模型生成广告标题和描述：

输入：推广产品"在线英语培训"，目标人群"25-35岁职场人"
输出：
- "每天15分钟，和外教学地道英语——上班族专属"
- "零基础也能开口说英语，你的私人外教已上线"
- "学英语不再难，AI打分+真人纠音，效果看得见"

人工审核后直接上线投放。生效率提升了 60%。

2. 定向词扩展

广告主买 10 个词，大模型帮他扩展到 200 个语义相关词。

输入：核心词["考研英语"]
扩展：
- 直系词：考研英语真题、考研英语词汇、考研英语作文
- 旁系词：考研复试英语、英语六级、托福雅思
- 场景词：研究生考试、在职考研、二战考研

3. 搜索意图理解

用户的搜索 query 越来越口语化，传统分词方法解析困难。

Query："我孩子初三了英语基础差怎么办"
大模型解析：
- 意图：寻找英语辅导
- 用户画像：家长，初三学生
- 核心需求：基础补差、针对性辅导
→ 匹配教育行业类广告

---

三大问题

延迟

GPT 推理延迟 > 500ms，广告系统要求 < 20ms。

解法：生成类任务离线完成（创意生成、定向扩展），线上只做 embedding 匹配。大模型在索引构建阶段用，不在请求链路里。

成本

GPT-3 API 调用一次几美分，百万级广告主每天生成几千万次？成本爆炸。

解法：只对新广告/效果差的广告触发生成，重度和高消费广告主优先。同时用蒸馏后的小模型做批量生成。

可控性

大模型有时候产生不符合合规要求的文案。广告法、医疗行业广告规定非常严格。

解法：生成后必须经过规则引擎审核，敏感行业（医疗行业、金融）设置更保守的 prompt 约束，并在人工审核流中加入生成标记。