AI计算广告论文播报｜6.24 沃尔玛用LLM系统性重做广告召回

大厂广告召回正在被LLM从源头重做——不是换个模型，而是训练数据怎么造、用户意图怎么抽、双塔怎么训，一层一层重新搭。本期聚焦沃尔玛赞助搜索团队的两篇工业落地论文，以及亿级低活用户LTV建模的蒸馏方案，共同揭示一个趋势：LLM做能力源，小模型做在线服务。

本期重点

• 用LLM标注数据做广告召回课程训练（Scaling Dense Retrieval with LLM-Annotated Training Data）：沃尔玛把线上三路召回的"分歧"当成天然训练信号，用级联LLM打标替代人工，三阶段课程训练双塔，线上A/B拿到CTR和eCPM双涨。核心洞察朴素但有效——三路Top500只有13%重合，这种"打架"本身就是金矿。
• 意图感知的赞助商品召回（INSPIRE: Intent-aware Neural Sponsored Product Retrieval）：同样来自沃尔玛，攻的是"隐式属性约束"——搜"no dairy creamer"却召回含奶产品的问题。方法是把八类结构化属性（品牌、饮食偏好、菜系等）显式拼到双塔输入，用多教师共识标注+LoRA蒸馏小模型跑全量，Precision@1提升4.2%，尴尬召回降50%。
• 亿级低活用户LTV蒸馏（ScaleToT）：LLM直接推理亿级用户成本不可行，论文把结构化推理能力蒸馏到轻量模型，解决稀疏画像下推理不稳定的问题，线上LT30显著提升。和前两篇共享同一个方法论内核。

今日趋势

• 电商搜索/赞助检索成今日小高峰，沃尔玛两篇工作从数据生产和意图建模两面攻同一个商业问题，反映大厂广告召回正在系统性地用LLM重做数据侧与意图侧。
• "LLM做能力源、轻量模型做在线服务"成为多篇论文的共性范式，蒸馏和级联架构是落地的主流路径。

本期内容基于 AI 自动筛选与生成，详细日报与论文列表见：GitHub 归档。欢迎在评论区留言交流，告诉我们你最想深挖哪个方向。