基础模型重塑广告竞价环境建模：Bid2X 解读

广告竞价这个领域，真正难的不是“怎么出价”，而是“出价之后到底会发生什么”。KDD'25 这篇 Bid2X，标题里最抓人的就是“环境建模”这四个字——它把视角从策略本身拉远到了策略所处的整个动态拍卖市场。基础模型视角的引入，让环境建模从“拟合一条价格曲线”变成了“理解一个拍卖场景”，这个范式换挡很有意思。这篇文章我想从一个从业者的角度，把这件事掰开揉碎讲一讲：为什么环境建模是自动出价最难啃的骨头，基础模型能改变什么，以及 Bid2X 这类方法如果真的落地，会碰到哪些现实问题。

先说清楚我的处境：我并不是论文作者，手头也只有标题可参考。所以下面关于 Bid2X 方法模块的拆解，有相当一部分是基于广告竞价系统设计的常识做出来的合理推演。对的地方可以参考，不对的地方希望原论文出来之后能指正。

1. 环境建模为什么是自动出价最难啃的一块骨头

1.1 一个竞价请求背后，到底有多少个“环境变量”

先把概念对齐。实时竞价里，一次广告曝光请求会同时触达成千上万个广告主程序，每个程序在几十毫秒内返回一个出价，平台按拍卖机制决定谁赢。对广告主这一方来说，自己能控制的只有出价 b，但最终结果取决于三件事：这个流量值多少钱、有多少对手在抢、拍卖机制怎么定价。

这就是“竞价环境”。它不是单点数据，而是从出价到结果的整个映射关系。专业一点写，环境建模要拟合的是这样的条件分布：

[ P(x, p, v \mid b, c_t) ]

其中 x 是是否竞得（win/lose），p 是成交价，v 是流量转化价值，b 是当前广告主的出价，c_t 是当时的环境上下文——广告位、用户、时段、竞争烈度、拍卖机制等等。

我见过太多团队在做自动出价时直接把“出价策略”当作唯一重点，把环境建模压缩成一个查表式的成交价预测。结果就是策略模型调得再精细，一到线上就崩，因为环境侧的信息早就变了，模型还在按昨天的价格分布做预算分配。环境建模不是策略的补充，而是策略决策的地基。

1.2 传统环境建模的两个明显短板

传统上，竞价环境建模主要走两条路。第一条是概率分布拟合，用对数正态、Weibull 或者混合模型去拟合历史成交价分布，然后给出价策略提供价格预期。优势是简洁、可解释，缺点是割裂了上下文——不同广告位、不同时段、不同用户群体，成交价分布差别巨大，单靠一个全局分布根本无法表达。

第二条路是判别式机器学习，用梯度提升树或深度网络去预测 win rate、成交价这些标量。这条路比纯分布拟合强不少，但有一个致命弱点：它只预测“在当前特征下最可能发生什么”，本质上是在学历史出价区间内的条件期望。当你把它放进自动出价里，策略需要回答的问题是“如果我大幅加价 30% 会怎样”。这个操作超出了训练数据分布，很多判别模型的预测会直接坍缩到平均值附近，完全没有干预响应能力。

有人会说，那直接上强化学习学策略不就行了吗？这也是目前业界很流行的做法，但强化学习有个绕不开的尴尬：环境是非平稳的，策略网络和价值网络耦合在一起，一旦流量结构或对手策略发生偏移，整个策略就需要重新探索。探索就要花钱，钱花在错误出价上又要被业务考核盯上。所以环境建模的真正价值在于：如果环境侧能被准确建模，策略侧就可以在“模拟器”里完成大部分试错，线上只需要做小步校准。

2. 基础模型入场：从拟合价格曲线到理解拍卖场景的范式换挡

2.1 为什么是“基础模型”，而不是更深的 MLP

广告竞价日志长什么样？它不是一张干净的表格，而是一串带有明显时序和语义特征的事件流。每次请求里，有广告位描述、用户行为序列、创意样式、拍卖机制参数、最终成交结果。这些字段之间不是互相独立的，它们像一个“拍卖故事”——某个用户在深夜打开了一款游戏应用，看到某个创意的广告，系统跑了一次二价拍卖，最后成交价是 2.3 元。

传统模型处理这种数据时，要先人工把字段拆成扁平特征，再交给模型。这个过程丢失了大量结构信息：用户时序、上下文互动关系、机制差异，全被拍平了。而基础模型天然擅长把混合了文本、类别、数值、序列的结构化信息编码成稠密表示，再基于预训练学到的广谱先验做推理。

这不是简单的“模型更大所以更强”。关键在于基础模型的预训练先验，让它对“上下文如何影响结果”有更本质的把握。长尾广告位一天可能只有几十次曝光，传统模型根本学不出可靠的成交价分布，但基础模型可以借助跨场景的语义对齐，给出一个不完美但基本靠谱的先验。

2.2 语义先验带来的三项实质改变

第一，样本效率大幅提升。广告侧最缺的从来不是数据总量，而是同分布数据量。某个小众广告位、某个凌晨时段，样本稀疏到无法支撑独立建模。基础模型的预训练表征让这些长尾场景可以直接借用相似场景的知识，用很少的样本完成适配。

第二，反事实外推成为可能。这是我觉得最核心的一条。自动出价的所有价值都来自“换一个出价会怎样”的想象。传统模型只能回答“历史上类似流量下，出价 2 元的胜率大概是 45%”。基础模型由于在训练时见过各种拍卖机制和出价策略的组合，有更强的机制理解能力，面对训练分布之外的出价，至少能给出结构合理的推断，而不是直接当成不可见的黑箱区域。

第三，跨域迁移变得自然。不同的广告域、不同的拍卖机制，本质上共享一套“拍卖逻辑”。基础模型能把“一价、二价、CPM、CPC”这些机制差异编码成统一的语义空间。新业务线接入时，不再需要从零训练环境模型，而是从已有的基础模型权重上做轻量微调。这一点对多业务线的大广告平台尤其有吸引力。

我用一个类比来总结这种范式换挡：以前的环境建模像用一张纸质地图看地形，地图画到哪你就知道哪，没画到的地方只能靠猜。基础模型的环境建模更像看天气预报——它不记录“已经发生了什么”，而是理解“大气系统正在怎么演变”，你可以问它“如果明天升温三度会怎样”。这完全不是同一种能力。

3. Bid2X 的四个模块推演：观测编码、联合分布、截断校正与反事实推演

把话说在前面：因为公开渠道只有标题，以下四个模块并不是原论文的确认结构，而是按照“标题能读取的信息 + 广告竞价环境建模的通行做法”做的骨架推演。等原论文公开后，很可能会有出入，但我觉得这个推演对理解方向是有帮助的。

3.1 Bid2X 的名字在说什么

我理解 Bid2X 的“Bid”是广告主出价，“2X”是 to eXchange（或 to Everything，看语境）。合起来就是：从出价出发，建模整个竞价交换环境的后续状态。这个命名本身就暗示了模型不是在做单点预测，而是在做生成式的环境推演：输入候选出价，输出该出价条件下可能赢得的概率、可能成交的价格、流量转化价值等一整套环境响应。

这个“环境响应”不是互相独立的几个预测值，而是一个联合分布。为什么必须联合？因为在拍卖里，出价高一点，不只赢率上升，成交价也会跟着涨——这两个变量是强耦合的。如果你分别训练一个 win rate 模型和一个价格模型，两者互相矛盾，决策层根本不知道该信谁。

3.2 模块一：把竞价日志编成上下文序列

任何一种基于基础模型的环境建模，都要先把竞价日志转成模型能消化的序列表示。具体来说，我会把每次拍卖请求拆成三类 token：

• 场景类：广告位 ID、用户画像分桶、时段、星期、天气等上下文特征；
• 机制类：拍卖机制类型（一价/二价/GSP）、竞价单位（CPM/CPC/CPA）、预算消耗状态；
• 统计类：历史成交价分位数、近一小时竞争密度、对手出价分布的粗粒度估计。

所有 token 经过 embedding 后拼成一个上下文序列，再送入基础模型编码器得到当前环境的隐状态 h_t。这里有个细节很容易被忽略：统计类特征不应该直接喂原始数值，最好做成分位数编码或直方图编码。因为广告侧特征大部分是长尾分布，直接进数值 embedding 会让模型对头部价格过度敏感，细节全被洞淹没。我自己做这类系统时，价格特征一律先映射成百分位，效果提升非常明显。

3.3 模块二：以出价为条件的联合分布预测

拿到环境隐状态 h_t 之后，Bid2X 这类方法要做的核心是：给定候选出价 b，输出联合分布 P(x, p, v | b, h_t)。这个分布预测天然分成几个 head：

• 一个二分类 head 输出 win probability w(b)；
• 一个价格 head 输出成交价格的条件分布，可能是参数化的混合分布；
• 一个价值 head 输出该展示可能带来的转化概率或转化价值分布。

这三个 head 之间要建立相关结构，不能完全独立。最简单的做法是让价格 head 的条件输入里带上 win head 的中间输出，或者共享一个隐变量 z 来耦合三者的随机性。为什么偏执于联合而不是独立？因为下游策略计算期望盈余时用到的不是单个均值，而是“赢 + 价格 + 价值”的联合期望。假设某条流量赢率很高但赢下来的全是京价，单看 win rate 会让你以为这是黄金流量，联合建模才能发现这实际上是一块啃不动的骨头。

3.4 模块三：截断数据的生存分析式校正

这一节是整个环境建模里最容易翻车、也最体现内行程度的地方。广告竞价日志有一个天生缺陷：你只能看到赢得拍卖的成交价，对于你没赢下的拍卖，真实成交价一定高于你的出价，但你不知道高多少。这在统计学上叫右截断数据。

如果直接拿“赢到的成交价 + 输掉的标记为 NULL”去拟合价格模型，会产生严重的上偏误差——你的模型会以为市场上的成交价普遍偏低，因为高价样本大概率被你错过了。正确做法是引入生存分析框架：把“出价 b 没赢”这个事件当作生存概率 S(b) = P(成交价 > b)，用极大似然同时拟合胜率与价格分布，损失函数里要包含截断项。

我在这件事上栽过跟头。当时接到的任务是优化一个搜索广告的自动出价，第一版环境模型在离线测试集上各种指标都漂亮，一上线预算消耗速度只有预期的 60%。后来排查很久才发现，问题根本不是出价策略，而是环境模型把成交价系统性估低了，导致策略以为加价十块钱就能买下流量，实际成交价高得多，预算根本不敢放出去。从那以后，我的环境模型里必须有生存分析校正模块，这是红线。

3.5 模块四：反事实环境推演与出价搜索

前三个模块解决了“环境是什么样”的问题，第四个模块是真正让环境模型产生决策价值的部分——反事实推演。对于同一个流量上下文，分别输入候选出价 b1 = 1.5 元、b2 = 2.0 元、b3 = 3.0 元，环境模型要能给出三条不同的结果样本路径：赢不赢、多少钱赢、后续转化如何。

有了这个能力，策略层就不再需要在真实流量上瞎试了。它可以在每次请求到达时，对几个候选出价做一轮快速推演，估算每种出价下的期望价值和风险，然后结合预算约束选出最优出价。基础模型的强项在这里完全被用上了——因为反事实推演本质上是机制理解，不是插值记忆。传统查表式模型在训练区间外给出的是毫无意义的平均，基础模型至少能理解“加价到三倍之后，成交价分布整体右移”这种规模式变化。

4. 别只看 AE 和 MAE：环境模型的评估要落在分布和干预上

4.1 环境拟合的分布级指标

很多团队评估环境模型时习惯直接看均方误差、平均绝对误差这些点估计指标，这是个很大的误区。环境模型的价值在于分布可信，而不是点估计精准。给出一组我都建议配上分布级指标一起看：

尤其是校准误差，这是环境模型能否用于决策的关键。如果模型输出“胜率 70%”在实际中只有 55%，策略层按这个胜率去算期望价值，明明亏本的操作会被算成盈利。不要只看 AUC 高就觉得完事大吉。

4.2 干预响应实验：检验外推能力

环境模型与传统预测模型最大的区别是它要回答反事实问题。所以评估时必须设计干预实验：从历史日志里随机抽样，把每条样本的出价扰动 ±20%、±50%，然后比较“模型预测结果”和“线上真实拿到的结果”。如果模型在扰动后的出价范围内预测崩坏，说明它只是在复读历史，没有真正理解拍卖机制。

我自己做这类验证时，会特别关注一个现象：大幅加价后的样本里，模型是不是系统性低估了成交价。很多模型处理不了外推，原因不是网络容量不够，而是训练数据里极高出价样本太少。基础模型的好处是有语义先验兜底，但真要证明它比传统模型强，就得拿出这种干预实验的数据来，而不是只展示测试集上的整体表现。

4.3 端到端闭环：模拟器 + 小流量验证

最终，环境模型好不好，要放进决策闭环里看。常见做法是把学到的环境模型包装成一个竞价模拟器，策略在这个模拟器里训练和评估；然后挑一条真实业务线做小流量对比，看线上核心指标。我比较看重的指标有三个：

• 成本达成：实际消耗与预算约束的偏离度；
• 效率提升：相同预算下的转化量；
• 预算消耗曲线：是否出现前期花不完、后期猛花的问题。

用模拟器评估策略有个天然陷阱：模拟器偏差。如果模拟器和真实环境差距大，策略会在模拟器里过拟合，上线直接崩。所以我的习惯是上线前专门跑一轮“模型-真实偏差分析”，统计模型预测的成交价和真实成交价在各分位数上的偏差，超过阈值就不放量。

5. 工程落地的现实约束：截断数据、推理时延与非平稳漂移

5.1 赢下才知道价格的“右截断”难题确实棘手

前面已经讲过硬核统计层面的截断校正，这里重点谈工程上的处理经验。由于真实成交价对于输掉的拍卖是缺失的，业界常用的兜底方案是用小流量“探价”：故意把出价抬高到远超流量的真实价位，强迫自己赢得原本赢不到的高价流量，从而采集到价格分布右侧的样本。这个操作非常费预算，所以要控制在很小比例，专门用于校准价格分布的右尾。

有了探价样本之后，再用 EM 式迭代去更新完整的成交价分布：先基于观测样本拟合初版分布，然后用该分布估计未观测到的截断部分，再重新拟合，循环到收敛。这个流程听着复杂，但这是把截断偏差压下去的最可靠路径。任何号称“直接用日志训练”的成交价模型，我都高度怀疑。

5.2 高吞吐下的推理成本怎么扛

基础模型再好，也不能在每次竞价请求的毫秒级窗口内跑一次几十亿参数的前向推理。广告侧峰值每秒可能有数万次请求，单请求推理预算通常只有几毫秒到十几毫秒。我的应对思路是分层设计：

第一层，用轻量规则和缓存做粗筛。大量流量走的是成熟出价区间，根本不需要昂贵模型介入。第二层，在需要精细预测的流量上，用基础模型蒸馏出来的小编码器加浅层分布头，精度损失控制在可接受范围。第三层，真正高价值的存疑流量，才用完整模型做一次反事实推演。基础模型在离线阶段负责“蒸馏出环境知识”，在线阶段负责“查表修正”，这比试图在线跑大模型现实得多。

5.3 环境漂移与持续更新机制

竞价环境没有一刻是静态的。对手的策略在变、流量结构在变、节假日带来的需求起伏更是分分钟改写价格分布。环境模型上线后必须有一个持续更新机制。传统的全量重训成本高、周期长，不适合应对突发偏移。

我的做法是滚动窗口微调 + 漂移监控。监控指标用最近一小时预测 win rate 与真实 win rate 的偏差，连续超出阈值就触发增量训练。基础模型在这个场景下的优势是适配成本低，通过低秩适配器或者少量 prefix token 就能完成局部更新，不用把整个模型冻结后重来。

6. 一点个人体会：基础模型是环境的翻译器，不是决策的替身

6.1 我不觉得基础模型能“一键替换”传统模型

看完 Bid2X 这个标题，我最想强调的其实是一句可能不太中听的话：基础模型在广告竞价里的正确位置，是环境的翻译器和表征器，而不是最终的决策器。拍卖最终是一个价格精算问题，赢到低价流量的能力比读懂广告语义重要得多。

过度相信语义先验会把模型带偏。比如用户搜索“钢琴培训”和“钢琴维修”，语义上高度相关，但广告价值天差地别。如果基础模型因为语义相似就把两者的价格分布强行拉近，精算就全乱了。理想架构应该是：基础模型负责理解场景上下文、输出高质量环境表征，价格和胜率的精算交给专门的分布头，用统计约束去锚定。

6.2 可以继续做的两个延伸方向

第一个方向是对手行为建模。Bid2X 目前建模的是“环境如何响应我的出价”，但环境响应的背后是无数个对手的策略。如果把环境模型进一步细化为可解释的对手出价分布推断，策略优化的空间会大很多——比如识别出某个时段大量对手预算耗尽，就能用更低的出价拿下流量。

第二个方向是合成数据。基础模型利用语义先验生成大规模高质量合成竞价日志，用于增强长尾场景与保护数据隐私。这个方向刚起步，但我觉得潜力很大，尤其是对预算有限、拿不到大平台日志的中小型团队而言。

6.3 想复现的话，我会怎么动手

如果我只有一两个月的预算去复现类似 Bid2X 的工作，我会先花一半时间建一个可信的基线环境模型：生存分析框架 + 树模型或浅层网络，把截断似然写进损失函数，把校准误差跑到合格。这一步做扎实了，再看基础模型能不能在长尾场景、干预响应上显著超过基线。如果差值不大，就不要贸然上大模型架构。

评估方案至少要包含前面说过的三层：分布级拟合指标、反事实干预实验、模拟器闭环测试。三层都过了，才谈得上生产线部署。最后再提醒一次：没有截断校正的环境模型，不管网络设计多漂亮，上线都会给你颜色看。这是我交过学费换来的经验，希望你不用再交一遍。