你有没有想过一件事：现在的AI视频生成模型，已经能根据一句话生成电影级画面了，可为什么你从来没见过一条真正能用的AI广告片？
不是技术不够炫，是它们压根没学过怎么拍广告。
这听起来有点反直觉。毕竟Sora、可灵这些模型生成的视频已经足够以假乱真，连风吹草动、光影变化都处理得像模像样。但如果你让它们生成一条"某品牌身体乳广告"，大概率会出现这样的场面：瓶身上的logo一帧一个样，产品形状忽大忽小，镜头切换生硬得像是PPT翻页，压根没有广告应有的那种"卖点呈现"的节奏感。
这篇来自北大和京东团队的论文，把这个问题讲得很透彻：现有的视频生成模型，追求的是**视觉质量、语义对齐、时间连贯**这些通用目标，但广告视频需要的是完全不同的东西。它需要在复杂运镜和场景切换中死死咬住产品的身份不变，需要把一句"更保湿""更耐磨"这样的卖点，转化成观众能看懂的视觉动作，还得有多镜头叙事的章法。
这件事难在哪里？难在没人给AI喂过真正意义上的"广告教材"。
一个长期被忽视的空白：没有数据，也没有尺子
先说一个容易被忽略的事实：训练AI做广告视频，和训练AI做普通视频生成,，用的根本不是一套数据。
*PC-AVG（Product-Centric Advertisement Video Generation）*：产品中心化广告视频生成，指的是围绕一个具体商品，既要保留它的外观细节，又要通过多镜头叙事把卖点讲清楚的视频生成任务。
论文里列了一张对比表格，看完你会意识到问题的严重性。像WebVid-10M、Panda-70M、InternVid这些主流视频数据集，体量动辄几千万甚至上亿条,，但它们全都是"通用视频-文本对"，没有一条数据标注了"这是什么产品""它的卖点是什么""镜头该怎么切"。就算是专门做参考图生成视频的OpenS2V-5M，关注的也只是"让生成的主体和参考图长得像"，根本不涉及产品的logo位置、包装文字这些广告场景特有的精细要求。
这就好比你想培养一个广告导演，却只给他看了几百万条随手拍的生活vlog。他可能确实学会了怎么让画面好看、怎么让镜头流畅，但他从没见过一条真正的商业广告该怎么构建叙事节奏、怎么突出产品卖点。给他再多素材，他也拍不出甲方想要的东西，因为他压根不知道"好广告"长什么样。
如果不解决这个数据空白,，后果是什么？
论文用实验数据说话：那些号称顶尖的开源视频生成模型，在真正面对产品广告任务时，跨镜头产品一致性这个指标能低到个位数。这不是夸张,，是实打实测出来的数字。
评测的问题同样存在。过去的视频生成基准比如VBench、EvalCrafter，衡量的都是"这段视频好不好看""文字和画面对不对得上"，但它们从不检查"logo有没有变形""卖点有没有被真正演示出来""这广告能不能真的吸引顾客"。用这套尺子去量广告视频的好坏,，相当于用体温计去测量一个人跑得快不快,，工具和目标完全不匹配。
于是这篇论文做了一件挺扎实的事：既造了一套30万条的专门数据集,，又造了一套专门的评测体系。
AdSpark-300K：30万条广告视频是怎么攒出来的
这个数据集的核心思路是两条腿走路：一条是从京东平台上真实存在的广告视频里挖掘筛选，另一条是用AI生成模型批量合成,，再人工把关。
先说真实数据这条线。
*SAM2*：Segment Anything Model 2，一个能够在视频中持续追踪并分割目标物体的模型，这里用来锁定广告视频里产品的具体轮廓位置。
团队从电商平台收集了带产品参考图和前景蒙版的广告视频素材,，用SAM2对视频里的商品进行逐帧追踪。接下来是两轮筛选：第一轮是几何和时序过滤，比如产品在画面里占比太小、蒙版面积突然剧烈变化、物体快移出画面边界,，这些帧统统被剔除，因为这说明产品要么看不清要么追踪失败了。第二轮更严格，交给Qwen3-VL-235B这个视觉语言模型去判断产品身份是否和参考图一致、有没有被大面积遮挡、有没有悬浮文字广告牌挡住商品。
这个双重过滤的设计思路其实很像招聘筛简历。第一轮是机器扫描关键词，剔除明显不达标的；第二轮是人工精读，判断这份简历是不是真的匹配岗位需求。如果只做第一轮几何过滤,，你可能留下大量产品虽然在画面里、但其实根本看不清细节或者被严重遮挡的垃圾片段,，这样的数据喂给模型,，模型学到的只会是"产品大概出现在画面某处"这种模糊概念,，而不是精细的外观特征。
筛选通过之后，再用TransNetV2把长视频切成一个个独立镜头，用Qwen3-VL-235B自动标注产品身份、卖点、创意方案（场景、风格、镜头设计），再用Whisper-Large-v3-Turbo把音频转成文字和镜头对齐。最后由20人的标注团队人工复核，修正错误、剔除质量不行的样本。这一套流程走下来,，最终从约60万个候选SKU里，沉淀出了10万条真实世界广告视频。
另一条腿是合成数据。为什么还要费劲去合成，不是已经有真实数据了吗？
原因很简单：真实广告视频数量有限，而且往往集中在少数爆款商品上，长尾类目的覆盖严重不足。所以团队又挑了一批高质量的商品参考图，用GPT-5.5生成结构化的广告方案,，包括产品身份、卖点描述、创意计划（场景/风格/分镜设计）、配套的音频脚本。
这里有个很值得说的细节：卖点不是简单地描述成一句话，而是被GPT-5.5转化成"可视化的动作和效果"。比如"更保湿"这种抽象卖点,，会被具体化为"手指在手背上揉搓出细腻泡沫,，清水冲洗后皮肤呈现清透光泽"这样可以被镜头拍出来的具体场景。
这个设计的意义在哪？
如果只是让AI生成一段文字描述产品功能，观众根本感受不到。真正有效的广告永远是"演示"而不是"讲述"。就像你去买一款吸尘器,，销售员光说"吸力强"你可能无感，但如果他当场往地毯上撒一把细沙,，然后一键吸干净,，你立刻就信了。这种"把抽象卖点翻译成具体可见动作"的能力,，正是这篇论文在数据构建阶段就刻意植入的设计。
生成的方案还要经过Gemini-3.1-Pro-Preview做独立审核,，检查产品描述是否准确、卖点和视觉呈现是否对得上、镜头设计是否连贯,，最多迭代五轮,，不合格的样本直接淘汰。审核通过后,，交给Seedance 2.0、Happy Horse、可灵这几个主流视频生成模型批量合成视频,，再经过人工检查产品保真度、视觉合理性、运动质量、卖点呈现效果、音画对齐情况,，最终留下20万条合成广告视频。
两边加起来,，就是AdSpark-300K，一共30万条"参考图-提示词-视频"三元组,，覆盖40个产品大类、3000多个细分品类，总时长651小时。
结构化标注：不只是打标签,，而是给AI一套"广告语法"
光有视频还不够,，这个数据集最核心的价值在于它的标注体系有多细。
每一条样本都包含五个结构化模块：产品身份、卖点、创意计划、音频脚本、生成提示词。
产品身份部分不只写"这是一瓶身体乳"这么简单,，而是精细到主色调、材质、形状、logo位置、包装文字这些"身份锚点",，标明哪些视觉元素是绝对不能在生成过程中跑偏的。
卖点部分每一条都配有"视觉化实现方式"和"可观测的成功标准",，也就是说,，不光告诉AI"要表现保湿效果",，还告诉它"怎么拍才算表现出来了"，以及"看到画面里出现什么,，就算是达标了"。
创意计划则细分到场景、风格、分镜三个层级。每个镜头都标注了时间区间、镜头类型、运镜方式、视觉内容、意图,，还明确标出这个镜头对应哪几个卖点。这种镜头和卖点的显式关联,，让后续评测时可以精确判断"这个卖点到底有没有被真正拍出来",，而不是笼统地看整段视频感觉对不对。
音频脚本部分和镜头序列对齐,，每段都包含背景音效和旁白文案。
这套标注体系的设计逻辑,，其实很像给一个新入行的广告导演配了一本详细的分镜脚本和执行手册,，而不是只给他一句"拍个好看的广告"的模糊指令。如果没有这种细粒度标注,，模型顶多能学会"生成一段看起来像广告的视频",，但永远学不会"这个镜头为什么要这样切""这个卖点该用什么动作呈现"这种更深层的广告逻辑。
数据统计上也能看出一些有意思的规律。镜头层面,，跟踪镜头和推近镜头占比最高,，分别达到38.1%和35.2%,，说明广告更偏爱平滑跟随和渐进式视觉强调,，这和产品展示的需求是吻合的。镜头类型里,，演示类镜头最常见,，其次是主体特写镜头,，反映出功能可视化和细节呈现在广告中的重要地位。大多数产品只配备两到三个卖点,，说明好广告往往聚焦在少数核心卖点上,，而不是什么都想塞进去。
AdSpark-Bench：怎么给AI拍的广告打分
有了训练数据,，接下来的问题是：怎么知道一个模型拍得好不好?
论文设计了一套六维度评测体系，覆盖视觉质量、产品保真度、指令遵循、时间连贯性、音频对齐、广告效果。
视觉质量这部分相对常规，用美学分数和MUSIQ（一种图像质量评估指标）来衡量画面好不好看、清不清晰，这是所有视频生成模型都要过的基本关。
真正有意思的是产品保真度这一维度。传统的"主体一致性"指标是拿整帧画面和参考图做对比,，这种做法有个明显的问题：背景稍微变一下,，分数就会受影响,，根本量不出产品本身细节是否被保住了。
论文的解法是用GroundingDINO和SAM2把产品从背景里单独抠出来,，再分四个粒度去比对：整体产品外观用DINOv3特征算相似度;关键身份区域（logo、品牌标识、包装细节）单独比对,，因为这些细节往往在整体特征里被稀释掉;产品相关文字用OCR识别后算编辑距离,，看品牌名、包装文字有没有变形走样;最后还有跨镜头产品一致性,，专门检查镜头切换前后产品身份有没有突然"变脸"。
这个设计的必要性在哪里?
如果只看整体相似度,，一个模型完全可以把产品形状拍得八九不离十,，但logo却悄悄模糊掉了,，或者瓶身文字变成了乱码。这种问题在普通视频生成任务里无伤大雅,，但在广告场景里是致命的。没有消费者会买一个logo都认不清的产品广告,，这就是为什么产品保真度必须拆解到这么细的粒度去测。
指令遵循维度同样设计得很用心。它不只是粗暴地算一个"文本和视频的整体相关性",，而是拆成了镜头结构对齐、镜头执行对齐、内容对齐三层,，外加一个全局的GmeScore做补充。镜头结构对齐检查生成的镜头数量和切换时间点是否符合规划;镜头执行对齐靠GPT-5.5看画面和光流信息,，判断实际运镜方式是否符合预设的镜头类型;内容对齐则专门检查卖点有没有被真正可视化,，而不只是停留在文字层面。
时间连贯性维度特别考虑了广告视频的特殊性：多镜头切换是故意设计的,，不能把正常的镜头转场误判成时间不连贯的瑕疵。所以团队先用TransNetV2把视频切成镜头,，再分别评估镜头内部的运动质量、镜头转场的自然度、镜头边界附近的局部时间稳定性。这种"分镜头评测"的思路,，避免了把艺术设计误判为技术缺陷。
音频对齐和广告效果这两个维度,，是这套评测体系里最具"广告特色"的部分。背景音是否符合创意方案里设定的音效描述,，旁白是否准确传达了预设的商业文案,，这些用LAION-CLAP和Whisper去量化。而广告效果则干脆让GPT-5.5扮演一个潜在消费者,，从吸引力、创意质量、叙事连贯性三个角度打分,，判断这条视频到底有没有"广告的样子"。
为了验证这些靠GPT打分的指标靠不靠谱,，团队专门找了六位有视频生成和广告研究背景的人类评审员,，在100个产品上独立打分,，再用Spearman秩相关系数去对比机器评分和人类评分的一致性。结果显示,，镜头执行对齐这类相对客观的维度相关性高达0.861,，而广告吸引力这种主观性强的维度相关性也有0.719。这说明GPT当裁判虽然不完美,，但确实能在相当程度上反映人类的真实判断。
实测结果：现有模型到底差在哪
测试覆盖了19个代表性模型,，从闭源的Seedance 2.0、可灵3.0 Omni,，到开源的VACE、Phantom、LTX-2等等。
结果呈现出几个清晰的规律。
闭源模型整体表现更好,，能拍出更有动感、视觉上更吸引人的视频,，但在复杂运动场景下保持产品外观一致性仍然是硬伤,，运动模糊、形状扭曲、外观漂移这些问题普遍存在。开源模型的短板更明显,，集中体现在指令遵循和广告效果上,，多镜头生成经常出现跨镜头产品一致性崩坏、时间连贯性不足的问题。有几个开源模型在跨镜头产品一致性这个指标上只有个位数的分数，这意味着镜头一切换，产品基本就"认不出来"了。
最有说服力的实验,，是拿LTX-2这个基础模型做对照。在AdSpark-300K上用LoRA微调之后,，跨镜头产品一致性从33.30飙升到93.59,，镜头结构对齐从46.29提升到77.53,，叙事连贯性从33.77跃升到89.89。
这组数字说明什么?
说明这套数据集不是花架子,，它确实教会了模型一些以前根本不会的东西：怎么在镜头切换时保住产品身份,，怎么按照规划组织镜头结构,，怎么让多个镜头讲出一个连贯的故事。
论文还做了一组消融实验来拆解数据构成的贡献。只用10万条真实数据训练时,，主体一致性表现更好（64.73）,，说明真实世界的产品外观能提供更强的身份监督;只用合成数据训练时,，镜头结构和转场自然度表现更突出（分别是71.79和80.09）,，这和合成数据本身就来自明确的分镜规划有关。把合成数据规模从10万扩到20万,，各项指标都在稳步提升,，说明数据规模本身也在发挥作用。而把真实数据和合成数据叠加到一起,，也就是完整的AdSpark-300K,，几乎在所有指标上都取得了最好的成绩。
这个结果其实挺符合直觉的：真实数据教会模型"产品真实长什么样",，合成数据教会模型"广告该怎么拍",，两者互补,，缺一不可。这就像学做菜,，光看菜谱不知道食材本身的口感差异,，光尝食材又不懂怎么组合成一道完整的菜,，两者结合才能真正学会做菜。
写在后面
读完这篇论文,，最让我意外的不是模型效果提升了多少,，而是团队在"卖点可视化"这件事上花的心思。
把一句"更保湿"翻译成"手指揉出细腻泡沫，清水冲洗后皮肤呈现光泽",，这个转化过程本身,，其实暴露了一个被技术圈长期低估的问题：广告的核心难点从来不是"生成好看的画面",，而是"把抽象的商业语言翻译成具体可感知的视觉证据"。这是一个纯粹的生成模型很难自己学会的东西,，因为训练数据里根本不存在这种"卖点到动作"的映射关系,，除非有人刻意把它标注出来。
另一个值得琢磨的细节是,，论文特意强调GPT-5.5既参与了数据构建阶段的广告方案规划,，又在评测阶段当裁判,，但作者解释说这不算"既当选手又当裁判"。因为规划阶段它面对的是产品参考图和元数据,，做的是从零开始的创意设计;评测阶段它面对的是已经生成出来的视频画面,，做的是对比生成结果和既定方案是否一致。前者是写,，后者是校对,，角色确实不一样。这个区分挺细致的,，也算是提前堵上了一个显而易见的质疑。
这篇论文留下的空白也挺明显。数据来源目前完全基于一个电商平台的点击率排序,，长尾商品和冷门品类的覆盖还很有限。更深层的问题是,，现在这套体系衡量的是"广告视频有没有拍对",，但一条广告真正有没有促成购买转化,，这中间还隔着很远的距离,，而这恰恰是广告这件事最核心的价值所在。
Q&A
Q1：AdSpark-300K数据集是什么？
A：AdSpark-300K是由北大和京东团队构建的大规模产品中心广告视频数据集,，包含约30万条参考图-提示词-视频三元组,，覆盖40个产品类别,，分为10万条真实世界广告视频和20万条AI合成广告视频两部分,，每条样本都带有产品身份、卖点、创意计划和音频脚本等结构化标注。
Q2：AdSpark-Bench评测基准主要测哪些方面？
A：AdSpark-Bench从六个维度评测AI生成的广告视频,，包括视觉质量、产品保真度、指令遵循、时间连贯性、音频对齐和广告效果,，专门检查产品logo有没有变形、卖点有没有被真正可视化、多镜头叙事是否连贯这些通用视频评测忽略的问题。
Q3：用AdSpark-300K微调模型效果提升明显吗？
A：非常明显。论文用LTX-2模型做实验,，在AdSpark-300K上微调后,，跨镜头产品一致性从33.30提升到93.59,，镜头结构对齐从46.29提升到77.53,，叙事连贯性从33.77提升到89.89,，说明这套数据集确实能教会模型此前欠缺的广告拍摄能力。
