PILA: Plug-and-Play Insertion for LLM-native Advertising
PILA：面向 LLM 原生广告的即插即用插入框架
🧭 LLM 原生广告 · 解耦式插入 ★ 深度解读
Peking University · Tsinghua University · University of Michigan · BIGAI · Shanghai Qi Zhi Institute
将广告插入解耦为条件响应改写，作为轻量级 sidecar 模块，实现模型无关、即插即用且强度可控的广告融入
📌 工作参考价值（4 点）
- 解耦式重写设计可复用：在对话推荐或生成式推荐中，可仿照 PILA，将商品推荐或广告插入作为独立的轻量 sidecar 模块，不改动上游对话/搜索模型，仅对最终回复进行条件改写，降低侵入性并保持主模型质量。
- 数据构造与增强管线：种子数据合成 + 多样性增强 + 自我评判的自动化数据构建流程，可用于生成对话推荐中的商品链接、推广文案等训练样本，解决标注稀缺问题。
- 广告强度可控机制：基于说服知识模型的对比解码方法调整曝光策略，这种“部署时旋钮”可迁移到电商推荐中，平衡推荐内容的自然度与商业目标（如 GMV、点击率），无需重新训练模型。
- 三指标评估体系：Q1 相关性、Q2 连贯性、Q3 广告有效性的三元评估，可直接用于衡量对话推荐中商品植入的整体质量，指导实验迭代。