北大京东团队构建30万条广告视频数据集 AI拍广告短板有解
要点
AI 视频生成模型已经能把一句话变成电影级画面，却迟迟产不出一条可用的广告片。北京大学与京东团队的新研究指出了症结：现有模型练的是视觉质量、语义对齐、时间连贯这些通用目标，而广告视频要求在复杂运镜与镜头切换中死死咬住产品身份、把"更保湿"这类卖点转译成观众看得见的动作，还要有多…
AI 视频生成模型已经能把一句话变成电影级画面，却迟迟产不出一条可用的广告片。北京大学与京东团队的新研究指出了症结：现有模型练的是视觉质量、语义对齐、时间连贯这些通用目标，而广告视频要求在复杂运镜与镜头切换中死死咬住产品身份、把”更保湿”这类卖点转译成观众看得见的动作，还要有多镜头叙事的章法——没有一套主流训练数据教过模型这些。实测显示，顶尖开源模型在跨镜头产品一致性上最低只能拿个位数分数，镜头一切换，产品就”认不出来”了。
团队为此构建了 AdSpark-300K：约 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，由 10 万条真实电商广告视频与 20 万条合成视频构成。真实数据一侧用 SAM2 对商品逐帧追踪，先做几何与时序过滤，再交视觉语言模型核验产品身份与遮挡情况；合成数据一侧先由大模型把抽象卖点写成可视化的拍摄方案——例如”更保湿”被具体化为”手指在手背上揉出细腻泡沫、冲洗后皮肤呈现清透光泽”——再经独立审核最多五轮迭代，不合格直接淘汰。每条样本都带产品身份、卖点、创意计划、音频脚本五类结构化标注，卖点还配了”可观测的成功标准”。
与数据配套的六维评测体系把”产品保真度”拆到了 logo、包装文字 OCR 识别、跨镜头一致性这样的细粒度，而不是笼统比较整帧相似度。19 个代表性模型的测试结果显示，闭源模型整体更优但复杂运动下产品外观漂移仍是硬伤，开源模型则普遍折在指令遵循与多镜头连贯上。最有说服力的验证来自微调实验：LTX-2 在该数据集上训练后，跨镜头产品一致性从 33.30 升到 93.59，镜头结构对齐从 46.29 升到 77.53，叙事连贯性从 33.77 升到 89.89。
这项研究落地的时机值得注意：AI 广告的能力边界正在被数据补齐，而合规约束也在同步收紧。近日，在北京市市场监督管理局组织下，百度、巨量引擎、腾讯、快手、京东集团、美团、360、凤凰网 8 家企业签署《互联网营销宣传自律公约》，明确使用深度合成技术开展商业宣传必须显著标识，严禁借助 AI 生成虚假宣传内容——公约签署方之一正是这项研究的产业方。更早些的 10 月 20 日，市场监管总局等七部门印发《广告产业发展”十五五”规划》，提出引导企业建立人工智能生成广告内容审核等内部合规审查机制；据行业通报引述的中央网信办”清朗·整治AI应用乱象”专项行动数据，已清理违法违规信息 561 万余条、查处违规账号 4.9 万余个。
合规口径同样在细化。华东政法大学经济法学院教授任超在谈及 AI 探店视频时指出，AI 标识义务与内容真实性义务彼此独立：标注”本视频由AI生成”并不能豁免虚构体验的虚假宣传责任，用于推广商品即属广告范畴、适用广告法。律师赵占领则建议对商业”种草”内容同时进行”AI生成”与”广告”双重标识，并推动平台建立主动识别与标识核验机制。把这些约束投射到广告视频生成上，结论是清晰的：模型学会了把卖点拍得逼真，只是解决了”能拍对”，而”拍出来是否可信、是否合规、能否促成真实转化”，仍然横亘着数据集之外的门槛——论文自己也承认，其数据来自单一电商平台的点击率排序，长尾品类覆盖有限，广告效果维度靠大模型扮演消费者打分，与真实购买转化尚有距离。技术补课与监管收线同时发生，意味着 AI 广告的下一步竞争，将同时发生在生成质量和可信度两个维度上。
