AgenticGen: generazione agentica di video pubblicitari guidata da ricompense

Abstract degli autori

La generazione di video pubblicitari non è soltanto un compito di sintesi video, ma anche un problema di ragionamento condizionato dal prodotto, il cui successo si misura con metriche di business online. I recenti modelli fondazionali per i video possono generare clip realistiche a partire da input multimodali, ma non ottimizzano il modo in cui un prodotto dovrebbe essere trasformato in una pubblicità efficace, né il modo in cui la generazione futura dovrebbe essere migliorata sulla base dei feedback di business online. Per chiudere questo ciclo, proponiamo AgenticGen, un framework agentico guidato da ricompense che scompone la generazione di video pubblicitari in due fasi di ragionamento addestrabili, la selezione della strategia e la generazione di una bozza, rendendo così espliciti gli obiettivi di ottimizzazione su cui i feedback di business online possono fornire supervisione. AgenticGen apprende una ricompensa basata sulle prestazioni dai feedback online accumulati e una ricompensa complementare basata su una griglia di valutazione, in linea con gli standard qualitativi umani, e le usa poi per supervisionare l’ottimizzazione delle policy. DPO orienta dapprima le policy agentiche verso le preferenze online, mentre GRPO perfeziona ulteriormente entrambe le fasi mediante ricompense di processo e di risultato. Gli esperimenti offline convalidano i modelli di ricompensa e la successiva ottimizzazione delle policy. Gli esperimenti A/B online nel sistema pubblicitario di TikTok mostrano che AgenticGen, dopo DPO e GRPO, migliora il CTR del 2,72%, il CVR del 2,63% e l’Advv del 9,61% rispetto alla baseline SFT.