जब खोज परिणामों में AI सारांश दिखाई देता है, तो उपयोगकर्ता सामान्य वेबपृष्ठ पर क्लिक करने की संभावना लगभग आधी हो जाती है। प्यू रिसर्च सेंटर द्वारा अमेरिकी उपयोगकर्ताओं के Google पर व्यापक ब्राउज़िंग व्यवहार के विश्लेषण से पता चला है: AI सारांश की उपस्थिति में, उपयोगकर्ताओं द्वारा पारंपरिक खोज परिणामों पर क्लिक करने का प्रतिशत 15% से सीधे 8% तक गिर गया है।[1]
उपयोगकर्ता संवाद के दौरान अन्वेषण और तुलना पूरा कर रहे हैं, और विज्ञापन भी इसके साथ स्थानांतरित हो गए हैं। OpenAI ने आधिकारिक रूप से ChatGPT Ads लॉन्च कर दिया है, और Google ने AI Overviews में विज्ञापन शामिल कर दिए हैं, जहाँ वे उत्तरों पर स्पॉन्सर्ड कार्ड लगा रहे हैं, जो सर्च इंजन के समय के मॉडल को सीधे जारी रखते हैं। [2, 3] लेकिन जानकारी प्राप्त करने के पैटर्न में परिवर्तन के कारण, विज्ञापनों के रूप को पुनः विचार करने की आवश्यकता महसूस हो रही है:
जब सूचना माध्यम पूर्ण पृष्ठ खोज परिणामों से वास्तविक समय में उत्पन्न एक उत्तर में बदल जाता है, तो विज्ञापनों को क्या नीलाम करना चाहिए?
तीस वर्षों से, ऑनलाइन विज्ञापन हमेशा एक डिफ़ॉल्ट पूर्वधारण पर आधारित रहा है: विज्ञापन स्थान पहले मौजूद होते हैं, और नीलामी यह तय करती है कि कौन इसे प्राप्त करेगा। खोज परिणामों का क्रम, समाचार प्रवाह में कौन सा प्रदर्शन—ये सभी पहले से परिभाषित अवसर हैं। लेकिन बड़े मॉडल के उत्तर अक्षर-दर-अक्षर उत्पन्न होते हैं: किसी ब्रांड का उपस्थित होना उचित है या नहीं, कहाँ उपस्थित होना चाहिए, और किस तरह से पेश किया जाना चाहिए—ये सब इस पर निर्भर करता है कि पहले क्या लिखा गया है। यहाँ तक कि मूल्य की बात पहले करना या अनुभव की बात पहले करना, उत्पाद के लिए पूरी तरह से अलग प्रभाव पैदा कर सकता है।

चित्र 1: जनरेटिव इनफॉरमेशन मीडिया में, विज्ञापन अवसर कहाँ उत्पन्न होते हैं, किसके द्वारा प्राप्त किए जाते हैं और कैसे प्रस्तुत किए जाते हैं, यह सभी मिलकर मार्केटिंग प्रभाव और उपयोगकर्ता अनुभव को प्रभावित करते हैं।
इसलिए, उत्पादन केवल विज्ञापन अवसरों को भरने तक सीमित नहीं है, बल्कि विज्ञापन अवसरों को आकार देता है। इस नए परिप्रेक्ष्य में, पहले से ही अध्ययन पैराग्राफ-स्तरीय विज्ञापन डालने, उम्मीदवार उत्तरों की नीलामी आदि नीलामी तरीकों का अन्वेषण कर रहे हैं, और रेनमिन विश्वविद्यालय के गाओलिंग और स्टैनफोर्ड विश्वविद्यालय के शोध टीमों ने बड़े मॉडल के मूल विज्ञापन प्रतिस्पर्धा को टोकन-दर-टोकन प्रक्रिया तक आगे बढ़ाया है।
उनके द्वारा प्रस्तावित LAMA, जिसमें सामग्री उत्पादन और विज्ञापन वितरण एक साथ विकसित होते हैं: जब भी एक टोकन उत्पन्न होता है, तो यह वास्तविक समय में उत्तर के आगे कैसे जारी रखा जाएगा, इस पर प्रभाव डालता है और अंततः किसे विज्ञापन प्रदर्शन मिलेगा, इस पर भी प्रभाव डालता है। यही इस कार्य द्वारा प्रस्तावित मूल विचार है—उत्पादन ही वितरण है (Generation as Allocation)।

टोकन-स्तरीय विज्ञापन
लेखक: हनबिंग लिउ, बोवेई ज़हांग, चांगयुआन यू, यिनयू ये, की की
इकाई: चीनी राष्ट्रीय मानविकी विश्वविद्यालय, गाओलिंग कृत्रिम बुद्धिमत्ता संस्थान, स्टैनफोर्ड विश्वविद्यालय
लिंक: https://arxiv.org/abs/2608.27382
हर शब्द जो बड़ा मॉडल लिखता है
यह सभी एक बोली प्रक्रिया हैं
विज्ञापन नीलामी को टोकन स्तर तक बढ़ाएं, तो विज्ञापनदाता केवल अंतिम दृश्यता के अवसर के लिए प्रतिस्पर्धा नहीं करते, बल्कि अगला कदम किस दिशा में लें इसके लिए भी प्रतिस्पर्धा करते हैं। उदाहरण के लिए, छुट्टियों के गंतव्य की सिफारिश करते समय, पहले परिवहन पर चर्चा करना या पहले ठहराव पर चर्चा करना, भविष्य की प्रतिस्पर्धा में विभिन्न विज्ञापनदाताओं को लाभ प्रदान कर सकता है। इससे विज्ञापनदाताओं के लिए नए रणनीतिक अवसर भी खुलते हैं: वे केवल वर्तमान उत्पादन को प्रभावित करने के लिए रिपोर्ट में समायोजन कर सकते हैं, बल्कि पहले से लिखे गए सामग्री के आधार पर भविष्य की रणनीति को समय-समय पर बदल सकते हैं।
इससे तंत्र के लिए अधिक कठोर आवश्यकताएँ उत्पन्न होती हैं: न केवल विज्ञापनदाताओं को शुरुआत में सच्ची मूल्य सूचना प्रदान करने के लिए प्रेरित करना होगा, बल्कि उत्पादन के दौरान भी सच बोलने के लिए बाध्य करना होगा। साथ ही, उत्तर केवल बोली के अनुकूल होने के लिए नहीं, बल्कि उपयोगकर्ता के मूल प्रश्न से भटकने के बिना होना चाहिए।
LAMA का पूरा नाम Latent Advertiser Mixture Auction है, जिसका अर्थ है "लेटेंट विज्ञापनदाता मिश्रित नीलामी"। यह विज्ञापनदाताओं को वर्तमान पाठ के आधार पर "अगला इस तरह लिखने से मुझे कितना लाभ होगा" की रिपोर्ट देने की अनुमति देता है, और मूल भाषा मॉडल के साथ मिलाकर प्रत्येक विज्ञापनदाता की पसंद के अनुसार उत्पादन रणनीति बनाता है। प्लेटफॉर्म इसके आधार पर प्रत्येक Token के लिए उत्तर उत्पन्न करता है और प्रत्येक विज्ञापनदाता के अंतिम प्रदर्शन की संभावना को लगातार अपडेट करता है: जितना नया सामग्री किसी विज्ञापनदाता की पसंद की दिशा के अधिक समान होती है, उतनी ही अधिक उसकी आवंटित संभावना होती है। उत्तर समाप्त होने के बाद, अंतिम संभावना के आधार पर विजेता का चयन किया जाता है, जिसे बाहरी लिंक या स्पॉन्सर्ड कार्ड जैसे रूपों में प्रदर्शन प्रदान किया जाता है। वास्तविक लागूकरण में, इन मूल्य रिपोर्ट्स को प्लेटफॉर्म-ओरिएंटेड मॉडल द्वारा स्वयं ही परिकलित किया जा सकता है, जो आज के विज्ञापन प्रणाली में स्वचालित बोली (Auto-bidding) सेवा के समान है।

चित्र 3: LAMA की कार्यप्रक्रिया। प्रत्येक टोकन उत्पन्न करने पर रिपोर्ट, उत्पादन और अपडेट क्रमिक रूप से पूरा किए जाते हैं, और उत्तर उत्पन्न होने के बाद अंतिम आवंटन और निपटान पूरा किया जाता है।
विज्ञापनदाता इस प्रक्रिया का उपयोग करके "मध्य में बदलाव" कैसे नहीं कर सकते? LAMA ने इस उत्पादन प्रक्रिया के लिए सुसज्जित स्थानीय रिपोर्ट सत्यापन और भुगतान नियम डिज़ाइन किए हैं।
सत्यापन यह है कि पिछली और वर्तमान रिपोर्ट में संगति है: विज्ञापनदाता द्वारा अगले चरण के विभिन्न संस्करणों के मूल्य का आकलन, संकलित करने के बाद, पिछले वर्तमान पाठ की रिपोर्ट के साथ संगत होना चाहिए। प्लेटफॉर्म को प्रत्येक चरण में केवल एक बार स्थानीय सत्यापन करना होता है, जिससे विज्ञापनदाता को अपना मुख्य बयान बदलने से रोका जा सकता है। भुगतान उत्पादन प्रक्रिया के साथ समायोजित होता है: यदि किसी चरण में विज्ञापनदाता को प्रदर्शन की संभावना और भविष्य का मूल्य मिलकर अधिक लाभदायक हो जाता है, तो संबंधित शुल्क लगाया जाता है; यदि यह कम लाभदायक हो जाता है, तो सब्सिडी प्रदान की जाती है, और फिर प्रारंभिक शुल्क के साथ संकलन पूरा किया जाता है। इस प्रकार, उत्पादन पर प्रभाव डालना, प्रदर्शन के लिए संघर्ष करना और शुल्क वहन करना एक साथ जुड़ गए हैं।
यह तंत्र मार्कोव डीएसआईसी (Markov DSIC) को संतुष्ट करता है: चाहे अन्य विज्ञापनदाता कौन सी भी संभव रणनीति अपनाएं, यदि कोई विज्ञापनदाता पहले सच्चाई बता चुका है, तो किसी भी पहुंचने योग्य उत्पादित अवस्था में, सच्चाई बताते रहना किसी अन्य संभव रणनीति का पालन करने से बेहतर या कम से कम उतना ही अच्छा होगा। अर्थात्, ईमानदारी केवल प्रारंभिक ऑफर तक ही सीमित नहीं है, बल्कि उत्तर के उत्पादन प्रक्रिया में भी लागू होती है।
इसी समय, LAMA के पास सामाजिक कल्याण की गारंटी भी है: इसका लक्ष्य विज्ञापन मूल्य में से मूल उत्तर से विचलन के लिए दंड घटाना है, और इसका आदर्श उत्तम तंत्र से अंतर स्पष्ट रूप से सैद्धांतिक ऊपरी सीमा के साथ है। इससे तंत्र व्यावसायिक मूल्य की ओर बढ़ते समय विज्ञापनों के उपयोगकर्ता अनुभव पर पड़ने वाले प्रभाव को सीमित करता है।
लामा ने हर चरण कैसे लिखा जाए, और अंततः किसे एक्सपोजर मिले और कितना भुगतान किया जाए, इन सभी को एक ही प्रणाली में शामिल कर लिया है। यही “जनरेट एंड डिस्ट्रीब्यूट” का अर्थ है।
सिद्धांत बहुत अच्छा है
What is the actual effect?
अध्ययन टीम ने अवधारणा सत्यापन के लिए Webis Generated Native Ads 2024 डेटासेट से 1239 वास्तविक व्यावसायिक खोज क्वेरीज़ चुनीं, जो फिटनेस, छुट्टियाँ और कार जैसे तीन सामान्य परिदृश्यों को कवर करती हैं, जिनमें से प्रत्येक एक तीन विज्ञापनदाता का प्रतिस्पर्धी परिदृश्य है।
प्रयोग में Qwen3-14B को संदर्भ भाषा मॉडल के रूप में उपयोग किया गया, जिससे LoRA प्रशिक्षण के माध्यम से विज्ञापनदाता साझा रिपोर्ट मॉडल प्राप्त किया गया। विज्ञापन मूल्य, ओपन-सोर्स पूर्वानुमान मॉडल द्वारा भविष्यवाणी की गई अनुमानित मूल्य से प्राप्त होता है, जबकि उपयोगकर्ता अनुभव का मूल्यांकन GEM-Bench द्वारा प्रदान की गई संबंधितता, सूचनात्मकता, प्रवाह और सुसंगठितता, विज्ञापन की प्राकृतिकता, विज्ञापन की तथ्यात्मकता और आक्रमणकारिता जैसे सूचकों के आधार पर किया गया। आधार विधियों में दो प्रकार के आवंटन (उत्पादन से पहले और बाद में), तीन प्रकार की उत्पादन रणनीतियाँ (मूल सामग्री, संपादित सम्मिलन, प्रवर्धित शिक्षण), और उत्तर-स्तरीय संकलन तंत्र MOSAIC शामिल हैं।

चित्र 4: मुख्य प्रयोग सारणी
LAMA ने चारों सूचकांकों पर उच्चतम स्तर हासिल किया, जिससे प्लेटफॉर्म आय (+10.7%) और विज्ञापनदाता मूल्य (+3.8%) दोनों में लाभ हुआ और उपयोगकर्ता अनुभव को कोई नुकसान नहीं पहुंचा।
आइए छुट्टियों के संदर्भ में एक पूछताछ को देखें: “best beach vacations in the world (दुनिया के सर्वश्रेष्ठ बीच छुट्टियाँ)”。 विज्ञापन तंत्र के बिना, संदर्भ उत्तर केवल गंतव्य और योजना कारकों पर चर्चा करता है; LAMA द्वारा उत्पन्न उत्तर में, पहले Expedia दिखाई देता है, और बाद में Tripadvisor दिखाई देता है, जिसमें विज्ञापनदाता लगातार नियंत्रण का आदान-प्रदान करते हैं, लेकिन उत्पन्न उत्तर अभी भी प्राकृतिक और बहुत प्रवाहमय है, और संदर्भ उत्तर की तरह ही मूल्यवान जानकारी प्रदान करता है।

चित्र 5: छुट्टियों के संदर्भ में उत्तर के नमूने, नारंगी हाइलाइट किए गए वाक्य अतिरिक्त लिंक के लिए आवंटित टेक्स्ट अंतराल हैं।
जब उत्पादन पूरा हो गया, तो Tripadvisor की आवंटन संभावना काफी अधिक थी और इस उत्तर में इसे अंतिम विजेता के रूप में चुना गया।
क्यों Tripadvisor? टेक्स्ट के अनुसार, Expedia पहले हिस्से में मालदीव, बाली और कैरेबियन जैसे गंतव्यों को लाने के लिए एक ब्रांड एंकर के रूप में दिखता है; Tripadvisor का उल्लेख सीधे बताता है कि उत्पाद क्या कर सकता है: गंतव्यों की तुलना करना, यात्री समीक्षाएँ देखना, और ठहराव और अनुभवों को फ़िल्टर करना, जिसमें अधिक पूर्ण मूल्य प्रस्तुति है। और प्लेटफ़ॉर्म की वितरण संभावना अपडेट ने इस बात को सटीकता से पकड़ लिया।
अनुसंधान टीम ने एक स्पष्ट नीलामी विक्षेप प्रयोग भी किया: अन्य विज्ञापनदाताओं की रिपोर्ट को स्थिर रखते हुए, केवल लक्ष्य विज्ञापनदाता की रिपोर्ट को सच्चाई से ऊपर या नीचे समायोजित किया। परिणाम स्पष्ट थे: जितना अधिक दाम दिया जाता है, उतना ही अधिक टोकन का हिस्सा, आवंटन की संभावना और भुगतान होता है। हालाँकि, वास्तविक अपेक्षित उपयोगिता असीमित रूप से नहीं बढ़ती, बल्कि सच्ची रिपोर्टिंग पर ही अधिकतम होती है। हालाँकि, झूठी रिपोर्टिंग से प्रभाव में अधिक हिस्सा प्राप्त किया जा सकता है, लेकिन उच्चतर भुगतान के कारण यह हानिकारक होता है—यही "उत्तेजना-अनुकूल" सिद्धांत की गारंटी प्रदान करता है।

चित्र 6: उत्पादन का अनुपात, वितरण और भुगतान सभी रिपोर्ट में वृद्धि के साथ बढ़ते हैं, और सच्चाई पर वास्तविक अपेक्षित उपयोगिता शीर्ष पर पहुँचती है।
निष्कर्ष
जनरेटिव विज्ञापन कहाँ उपयुक्त होते हैं? एक प्राकृतिक स्थान वे स्थितियाँ हैं जहाँ उपयोगकर्ता पहले से ही व्यावसायिक सलाह की तलाश में होते हैं: खरीदारी के दौरान डिजिटल गाइड के माध्यम से उत्पादों की तुलना करना, यात्रा के दौरान होटल चुनना, या स्मार्ट एजेंट के माध्यम से दैनिक कार्यप्रवाह में उपयोग किए जाने वाले भुगतान वाले उपकरणों का चयन करना। जब व्यावसायिक सूचना उपयोगकर्ता की वास्तविक आवश्यकताओं का जवाब देती है और स्पष्ट विज्ञापन सीमा चिह्नित होती है, तो इसके द्वारा उत्तर के प्रभावी, वस्तुनिष्ठ तथ्यों को नुकसान नहीं पहुँचता, तो इसे स्वीकार किए जाने की संभावना अधिक होती है।
लामा द्वारा अन्वेषित यही है कि इस दृष्टिकोण के तहत इन तंत्रों को कैसे लागू किया जाए: विज्ञापनदाताओं को उत्पादन प्रक्रिया में प्रतिस्पर्धा करने दें, जबकि नियमों के माध्यम से रणनीतिक व्यवहार को सीमित करें और व्यावसायिक मूल्य तथा उत्तर की गुणवत्ता के बीच संतुलन बनाएं।
पिछले समय में, नीलामी यह तय करती थी कि कौन एक पहले से मौजूद विज्ञापन स्थान प्राप्त करेगा। आज, यह तंत्र यह भी तय कर सकता है कि उत्तरों में विज्ञापन अवसर कैसे बनते हैं। "स्थान आवंटित करने" से "उत्पन्न करें और आवंटित करें" की ओर बढ़ते हुए, LAMA बड़े मॉडल के लिए मूल विज्ञापन तंत्र के लिए एक नया डिज़ाइन मार्ग प्रदान करता है।
लेखक की जानकारी
लिउ हानबिंग (प्रथम लेखक): पीपुल्स यूनिवर्सिटी ऑफ चाइना के गाओलिंग आर्टिफिशियल इंटेलिजेंस स्कूल की तीसरे वर्ष की मास्टर्स की छात्रा, जिनके गुरु प्रोफेसर ची ची हैं; उनके शोध के क्षेत्र में जनरेटिव आर्टिफिशियल इंटेलिजेंस में बुद्धिमान निर्णय और तंत्र डिजाइन शामिल हैं, और वे 2027 में स्नातक होंगी। उनके कार्य WINE, ACL, SIGMOD जैसे शीर्ष सम्मेलनों में प्रकाशित हुए हैं।
होमपेज: https://tokgoleo.github.io/home/
की ची (संपर्क लेखक): पीपुल्स यूनिवर्सिटी ऑफ चाइना के गाओलिंग आर्टिफिशियल इंटेलिजेंस स्कूल के स्थायी प्रोफेसर, राष्ट्रीय उच्च स्तरीय युवा विशेषज्ञ, CCF कंप्यूटेशनल इकोनॉमिक्स कमेटी के उपाध्यक्ष (कार्यवाहक) और कार्यालय प्रमुख। उन्होंने स्टैनफोर्ड विश्वविद्यालय से डॉक्टरेट किया, जहाँ उनके मार्गदर्शक प्रोफेसर ये यिनयू थे। उनके शोध के क्षेत्र में एल्गोरिदमिक गेम सिद्धांत और मैकेनिज़म डिज़ाइन, बड़े मॉडल और एजेंट, मल्टी-एजेंट सिस्टम, अनुकूलन और बुद्धिमान निर्णय लेना शामिल हैं। उनके शोध के परिणामों को MS, OR, MOR, GEB, TR-B और CCF-A श्रेणी की सम्मेलनों STOC, ICML, NeurIPS, ICLR, ACL, AAAI, KDD, SIGIR, WWW जैसे शीर्ष पत्रिकाओं में प्रकाशित किया गया है। साथ ही, वे लंबे समय से बैइडु, अलीबाबा, टेंसेंट, मेइटुआन, डायज़े, डीडी, हुआवेi, OPPO जैसी कंपनियों के साथ गहन सहयोग करते हैं, जहाँ ऑनलाइन विज्ञापन, बुद्धिमान मार्केटिंग, कूपन अनुकूलन और उपयोगकर्ता वृद्धि जैसे मुख्य व्यवसायों के संदर्भ में, बड़े मॉडल, मैकेनिज़म डिज़ाइन और मल्टी-एजेंट निर्णय लेने की प्रौद्योगिकियों को करोड़ों उपयोगकर्ताओं के स्तर पर वास्तविक परिदृश्यों में स्थापित किया जा रहा है।
होमपेज: https://ai.ruc.edu.cn/szdw/zrjs/qq/index.htm
संदर्भ
1. प्यू रिसर्च सेंटर, गूगल उपयोगकर्ता जब परिणामों में एआई सारांश दिखाई देता है, तो लिंक पर क्लिक करने की संभावना कम होती है, 2025-07-22: https://www.pewresearch.org/short-reads/2025/07/22/google-users-are-less-likely-to-click-on-links-when-an-ai-summary-appears-in-the-results/
2. OpenAI सहायता केंद्र, ChatGPT में विज्ञापन, 2026-09-04 को एक्सेस किया गया: https://help.openai.com/en/articles/20001047-ads-in-chatgpt
3. Google Ads & Commerce, Google Search पर अपने व्यवसाय के लिए अधिक अवसर, 2025-05-21: https://blog.google/products/ads-commerce/google-search-ai-brand-discovery
यह लेख वेचेन ग्रुप "मशीन इंटेलिजेंस" से आया है
