Design Your Ad: Personalized Advertising Image and Text Generation with Unified Autoregressive Models

1. 问题与动机

电商广告生成在工业界一直面临三重痛点：(1) 流水线割裂：现有方案用独立模型分别生成图像 (e.g. Pigeon、Flux-Kontext) 和文本 (e.g. Qwen3、DeepSeek-R1)，再用 CTR 模型做筛选打分，整个系统串联多个模型导致部署复杂、跨模态难以一致；(2) 个性化信号单一：上游主要依赖 CTR 反馈来「调」候选广告，但 CTR 信号本质反映的是「平均偏好」(average preference)，无法表达个体用户在风格、构图、卖点上的差异化偏好；(3) 历史行为里的双重噪声：作者明确区分了 sample-level noise (用户历史里很多商品与当前广告完全不相关) 和 modal-level noise (不同用户偏好的模态权重不同，有的看图、有的看文案)。现有 LLM4Rec 类工作把全部多模态历史 dump 给模型，对这两种噪声都没有显式处理，效果上无法精细到「为某个用户专门设计这一条广告」。

本文是 JD-GenX 团队（京东生成式电商方向）提出的解法，核心命题是：把广告图文生成统一进一个自回归框架，并通过显式的多阶段噪声抑制去做用户偏好驱动的个性化。

2. 方法详解

整体架构：Uni-AdGen 单一自回归骨干。基础模型选用 Janus-Pro 7B 这一统一图文理解+生成的开源 MLLM，采用 next-token prediction 同时输出文本 token 与离散图像 token (VQ-GAN tokenizer)。这意味着图、文在同一序列里、用同一组 loss 优化：L = λ_text · L_text + λ_img · L_img (两个 λ 均设为 1)。这是「广告生成 = 多模态 sequence-to-sequence」这一范式的具体落地。

Foreground Perception 模块。商品广告图通常是「商品前景 + 背景设计 + 文案叠加」的合成结构，单纯把整图丢给生成器会导致前景偏移、细节失真。Uni-AdGen 把商品前景作为额外的 control 信号：把透明前景图经 patchify + projector 离散化，再用 DINOv2 编码为视觉 embedding C。注入策略不是 cross-attention 那样代价高昂，而是 element-wise addition every 4 decoder layers，公式 [H_l]_t = [DL_l(H_{l-1})]_t + 1{l mod 4 == 0} · [C]_t。这种「每 4 层 inject 一次」是一个经过权衡的设计 — 既保证前景信号贯穿全网络，又避免逐层注入带来的训练不稳定与开销。

Coarse-to-Fine 偏好理解。这是论文最有意思的工程贡献，分两阶段对抗历史行为的两类噪声：

• Coarse 阶段（抗 sample-level noise）：基于商品相似度对历史行为做重要性采样。给定目标商品的特征 s_i，从用户历史里按概率 p_i = max(s_i + ε, 0) / Σ_j max(s_j + ε, 0) (ε=1e-6) 选 top-N 个最相关历史（论文 N=10）。直觉是「无关历史就不该参与本次生成的条件」。
• Fine 阶段（抗 modal-level noise）：对入选的 N 条历史，再用 Transformer encoder 做 token-level 筛选 — Gumbel-Softmax 学习 mask + top-K 选择（论文 K = 40% tokens 保留），让模型自己决定每条历史里哪些 token（图的哪些 patch、文的哪些短语）更值得作为本次条件。这相当于把「该看图还是看文案」的决定权交给模型，不再依赖人工规则。

训练设置。Janus-Pro 7B + LoRA (rank=12, factor=32)，AdamW lr=5e-5，batch_size=4，单卡 NVIDIA B200。透明前景图 384×384，历史商品图 128×128 (大幅压缩历史模态以控显存)。数据集 PAd1M：114.5 万用户、1892 万条多模态点击行为、人均 16+ 条历史、覆盖 850 万商品 — 这是篇有真实电商数据规模背书的论文，而不是 toy benchmark。

3. 核心技术贡献

1. 统一自回归 = 跨模态一致性的天然保证。把图文生成放进一个 next-token 序列，避免两个独立模型间「图说的卖点」和「文案说的卖点」对不上的老问题。比较有借鉴价值的是 loss 的对称权重 (λ_img = λ_text = 1)：作者不需要做模态间复杂的 balance，统一 token space 让 gradient 自然均衡。

1. Foreground Perception 的「每 4 层注入」策略。相比 ControlNet 系列把控制信号通过额外 conditioning network 注入，Uni-AdGen 的 element-wise addition 更轻量、对 backbone 改动小，便于在已有 LLM 上做 LoRA 适配。这是当前生成式控制信号注入的一种实用范式 — 用少量层的 hidden state 加法换前景保真度。

1. Coarse-to-Fine 双阶段噪声抑制。比纯靠 attention 自动学要更可靠：coarse 阶段强制做行为相关性过滤，fine 阶段再细到 token-level 选择性参与。对比纯 LLM4Rec 的「把历史塞进 context 等模型自己消化」，这是更工程化的做法。Ablation 上 BLEU 从 baseline 0.225 → 加 history 0.427 → 加 PSS 0.430 → 完整版 0.435，验证每个模块都贡献了边际收益（虽然 fine 阶段的边际效益较小，0.005）。

1. 真实工业数据集 PAd1M 的开放贡献。在生成式推荐/广告领域，公开的多模态电商数据集稀缺，PAd1M 的规模（1145K 用户 × 18.9M 行为 × 8.5M 商品）对学术界继续推进这一方向是重要资产。

4. 实验结果分析

通用广告生成（Table 1，500 商品）：

• 图像质量 — ImageReward: Uni-AdGen -1.244（最佳，baselines -1.281 至 -1.516）；PickScore 21.002（仅次于 PosterMaker 20.977）；Aesthetic Score (ASE) 5.25（中游）。
• Human Eval Image: 92.60%（多数 baseline 在 86.80–95.20% 区间内可比，未稳定 SOTA）。
• 文本质量 — m-BLEU 0.551（Qwen3 0.562 略胜），m-ROUGE 0.654（接近 baseline 上限 0.653）。

这一组结果说明：在「不需要个性化」的通用广告生成上，Uni-AdGen 与单独的 SOTA 图模/文模相比 打平，没有牺牲质量。

个性化广告生成（Table 2，500 用户） —— 这是论文真正的卖点：

• PBS (Preference-Based Score): Uni-AdGen 0.634，baselines 0.514–0.624，绝对优势 ≥0.01；
• BLEU 0.435，baselines 0.225–0.373，显著领先；
• ROUGE 0.662，baselines 0.525–0.622，显著领先。

个性化指标上 BLEU 几乎翻倍（0.225 → 0.435），说明 coarse-to-fine 历史建模真的捕捉到了「这个用户偏好的文案风格」。这是一个少见的「个性化生成」量化结果。

Ablation：BLEU 0.225 (baseline) → 0.427 (+history naive 塞入) → 0.430 (+PSS coarse 过滤) → 0.435 (+fine token mask)。最大收益来自「让模型看到历史」(+0.202)，PSS 与 fine mask 各加约 0.003–0.005 — 提示 sample-level 噪声其实没那么严重，关键是要把历史塞进去；fine 阶段的边际贡献偏小，可能存在 over-engineering 的可能。

未公开：论文没有报告线上 A/B 结果，也没有公布 inference 延迟与吞吐 — 这是工业界落地最关心的数字。

5. 局限与未来方向

作者明确列出 Limitation 但内容相对克制。结合方法和实验，我看到的真实局限：

1. 没有 online A/B。所有指标都是 offline (ImageReward / PBS / BLEU)，与真实点击/转化挂钩程度未知。在广告场景，offline 与 online 差距经常 30%+ 起。
2. Inference 成本。Janus-Pro 7B + 自回归生成 384×384 图像，单次推理大概率秒级，对实时广告 (几百 ms 预算) 不可行 —— 论文也未给出具体延迟数字。可能只能做 offline 广告素材生产 + 离线召回，而不是 real-time 个性化。
3. PAd1M 是京东自家数据，是否在其他电商（淘宝、拼多多、海外亚马逊）泛化未知。
4. PBS 是论文自定义的偏好评分指标，其与人类偏好的一致性、与真实 CTR 的相关性都未验证。
5. Fine 阶段贡献小：BLEU 0.430 → 0.435 的 0.005 提升可能淹没在评估噪声里，建议复现时优先实现 PSS + history，不必上 fine token mask。

6. 工业实践意义

对搜索 / 推荐 / 广告工程团队，这篇论文有几条值得直接借鉴：

应该尝试：(a) 把图文生成统一进单个自回归模型是大趋势，建议以 Janus-Pro / Qwen-VL / InternVL 等开源统一 MLLM 为起点搭建 baseline，loss 权重直接对称即可；(b) Foreground perception 的「每 4 层注入」是一个轻量、易实现的控制信号注入范式，可以推广到「商品图 + 设计模板」「品牌 logo + 文案」等任何「主体 + 风格」的生成任务；(c) Coarse 行为采样 (PSS) 简单有效，比把全部历史 dump 给模型更可控 — 工业界用现有的 i2i 相似度模型就能直接做这一步。

应该谨慎：(a) 这套模型适合 offline 广告素材生产 (T+1、T+0 离线生成大量候选)，而不是 online 实时个性化。即便 LoRA + 7B + 单 B200，自回归生成 384×384 图像延迟仍在秒级；(b) PBS 这类自定义评分需要先做 human eval 对齐才有意义，不要直接拿来当线上指标。

部署路径建议：把 Uni-AdGen 作为 离线素材工厂插入到广告创意生产链路，对每个商品 × 高价值用户簇离线生成 N 条候选广告，再由现有 online ranker + CTR 模型做最终选择。这样既享受了个性化生成的红利，又不破坏现有 online serving 延迟预算。社区搜索 (UGC) 场景下，类似思路可以用在「为搜索 query 生成定制化首屏卡片」「为不同人群生成不同的搜索结果落地页摘要」等场景，把生成模型从 ranking 后端搬到内容生产前端。

Repo: https://github.com/JD-GenX/Uni-AdGen 已开源，可以作为生成式电商的 starter kit。