LLM 基于 Neuron 拍卖的广告

随着 大语言模型 (LLM) 转变为对话代理，生成广告成为一种重要的盈利策略。然而，在非结构化 LLM 输出中嵌入广告会带来一个关键的三难困境：平衡广告商收益、平台收入和用户体验。现有的方法，例如即时注入或刚性位置槽，破坏了语义连贯性，并且缺乏独立控制的参数框架，使得严格的机制设计变得棘手。为了弥补这一差距，我们引入了 Neuron Auctions，这是一种新颖的范式，它将拍卖对象从表面文本空间转移到 LLM 的内部表示。利用机械可解释性，我们识别了品牌特定的前馈网络（FFN）神经元，并证明竞争品牌在近似正交的子空间内激活。这种近乎完美的独立性使我们能够将连续的、解开的干预预算（特别是神经元计数和放大因子）定义为可拍卖的商品。在此计算载体的基础上，我们设计了一种基于菜单的连续拍卖机制，自然地保证了策略验证并优化了平台的收入。通过明确地将用户效用惩罚纳入平台的优化目标中，我们的框架动态地排除了过于激进的干预措施。大量实验表明，Neuron Auctions 有效地保持了自然的话语质量，同时实现了商业激励和用户满意度之间的最佳结合。