Der Werbe-Agent von JD-Forschern lernte seinen Schnitt aus angeklickten Videos, und sein Live-Test zählte nur Klicks
CutAgent von JD.com-Forschern plant Produktwerbung in der Beat-Reihenfolge von Anzeigen, die Klicks erzielt haben, schneidet sie aus dem früheren Filmmaterial jedes Produkts und wurde gegen einen Klick-Prädiktor trainiert. Der einwöchige Live-Test zählte allein Klicks, und keiner seiner sechs Qualitätswerte bestraft eine Behauptung, die das Listing nicht stützt; eine Beispielanzeige verspricht eine Frische, die das Kundenfeedback daneben als variabel ausweist.

Parallax Pincer
Die Süßkartoffel-Anzeige beginnt mit einem Sprechertext über eine heiße, frisch aufgebrochene gebackene Süßkartoffel und verspricht dann Knollen, die zur Saison gegraben und frisch verschickt werden, Frische auf Anschlag (新鲜度拉满). Das daneben im Paper abgedruckte Kundenfeedback sagt, Frische, Größeneinheitlichkeit und tatsächliches Gewicht „können variieren”. Der Agent lernte seine Abfolgen aus Anzeigen, die bereits Klicks erzielt hatten, und sein Live-Test zählte allein Klicks. Was diese Klicks eingebracht haben, sagt das Paper nirgends.
CutAgent, am 17. November von Forschern von JD.com und drei Universitäten veröffentlicht, arbeitet mit zwei Agenten. GeneAgent liest das Listing, die Bewertungszusammenfassung und die Fotos eines Produkts und schreibt ein „Creative Gene”: eine geordnete Folge von Beats aus einem Vokabular von 27 Begriffen plus Produktionsregeln. Andere Modelle extrahierten jedes Trainings-Gene rückwärts aus früheren Anzeigen des Produkts und lasen jede Einstellung „mit dem Voice-over als primärem Hinweis und den Bildern als Hilfsbeleg”. Das Fine-Tuning nutzte nur das obere Fünftel von rund 70.000 solcher Produkte nach Klickrate.
Das Reinforcement Learning (GRPO) belohnte Entwürfe dann hauptsächlich nach der Klickstufe, die ein eingefrorener LightGBM-Klassifikator vorhersagte, am meisten für die obersten 10 % einer Kategorie. Zu den rund 250 Merkmalen des Klassifikators gehören Beats, Schlüsselwörter, Text, Kategorie und Preis; ein visuelles Merkmal führt das Paper nicht auf. Er erreichte 76,9 % auf zurückgehaltenen Daten, gegenüber 60 % beim ständigen Raten der Mehrheitsklasse. Ein Diversitätsterm verhindert, dass sich die acht Entwürfe eines Produkts gegenseitig wiederholen. Das Vokabular behält Hard-Sell-Slots: „Price Shock” („Only $9.9”), Countdowns, einen Pfeil mit „Click the link.”
Die Süßkartoffel-Anzeige schlug den Schnitt eines Konkurrenten mit 2,81 % zu 1,27 %, ein Vorsprung, der nach Ansicht der Autoren „eher aus der narrativen Reihenfolge als aus der Ästhetik einzelner Einstellungen stammt”. Für eine Cutterin ist die Reihenfolge der Look. VideoAgent verwandelt das Gene in Einstellungen, beachtet dabei gespeicherte Korrekturen („avoid repeated close-ups in the opening”) und erzeugt kein Filmmaterial. Jede Einstellung wird aus etwa 90 bis 120 Clips gewählt, die aus früheren Anzeigen des Produkts geschnitten wurden; wer sie gefilmt hat, sagt das Paper nicht.
Gefilmte Clips ersparen CutAgent die meisten Produktfehler, die unser AdSpark-Beitrag und die Prüfer von Anoki in generierten Videos fanden. Eine Reflexionsschleife schneidet dann jedes Video anhand von sechs Werten neu, alle von einem LLM bewertet, Qwen3.5-397B. Einen davon, die visuell-skriptliche Konsistenz, bezeichnen die Autoren als „am besten als relatives Signal zwischen Methoden zu lesen statt als absolute Messung”.
Dieser Wert fragt, ob das Bild die „ausgedrückte Bedeutung” des Sprechertexts „vermittelt”. Materialqualität zieht Punkte für Unschärfe, Rauschen, schlechte Belichtung und Wiederholungen ab und verlangt Relevanz für das Zielprodukt. Selling-Point-Abdeckung zählt die Verkaufsargumente des Listings, die ein Video abdeckt, und prüft damit, ob ein Argument erwähnt wird, nicht ob es stimmt. Keiner der Werte ist als Vergleich der Bilder mit den Produktfotos beschrieben.
Trust Building (TB) fragt, ob das Video „das Produkt zuverlässig und kaufenswert erscheinen lässt”. Die Hälfte der 100 Punkte entfällt auf realistische Nutzungsszenen, die andere Hälfte auf Belege „wie Zertifizierungen, Bewertungen, Verkaufsstatistiken oder Demonstrationen durch reale Personen”. In der Süßkartoffel-Anzeige tragen die beiden als Trust Building gekennzeichneten Beats das Frischeversprechen und einen abschließenden Aufruf, den Link anzuklicken und zu bestellen (快点击链接下单). Tabelle 3 führt dieselben zwei Codes als Gift or Bundle Value und User Testimonial.
Vertrauen ist in diesen Tabellen eine Optik.
Der einwöchige Live-Test lief auf „einer großen E-Commerce-Plattform”, ohne Namensnennung und mit zufällig zugeteiltem Traffic: 43 Kategorien, je zehn Produkte, über 10 Millionen Impressionen. Das unveränderte Basismodell Qwen3-VL-8B kam auf 1,12 %; Fine-Tuning hob es auf 1,76 %, ein Plus von 0,64 Punkten oder 57 %. Die Klickbelohnung brachte 0,29 Punkte (16 %) dazu; Reflexion und Memory führten auf 2,21 %. Das sind 1,09 Punkte über der Basis, fast das Doppelte, und 0,23 Punkte (12 %) über dem besten Konkurrenten, ohne Konfidenzintervalle.
Auch den Menschen gefiel das Ergebnis: 30 Teilnehmende trafen 1.600 Zwangsentscheidungen zu 200 Produkten und wählten in 60,4 % der Fälle das Video von CutAgent. Doch Klicks und Urteil gehen auseinander. AutoCut, ein Konkurrent, der auf Videos trainiert wurde, die nach Klick- und Like-Raten ausgewählt waren, führte die Konkurrenz bei den Klicks mit 1,98 % an, schnitt aber bei TB und im Votum der Menschen am schlechtesten ab.
Das Paper nennt seine Planung „konversionsorientiert” und misst nie eine Konversion. AgenticGen, eine vergleichbare Schleife, die in TikToks Werbesystem getestet wurde, berichtete neben Klicks auch die Konversionsrate. CutAgent kann nicht sagen, ob ein besserer Hook mehr Süßkartoffeln verkaufte oder nur mehr Klicks anzog.
Bekleidung gehört zu den 43 Kategorien mit je zehn Produkten im Live-Test, doch das Paper zeigt keine ihrer Anzeigen. Der Bereinigungsschritt entfernt Clips, die „Personen vor der Kamera enthalten”, und die Autoren räumen ein, dass Retrieval „bei der Abdeckung zahlt”. Ein Kleid verkauft sich über den Fall des Stoffes, und das Paper zeigt nie, woran er nun fallen soll.
Teleshopping stimmt seine Bilder auf ein Live-Signal ab. Diane von Furstenbergs zweistündiger Auftritt bei QVC brachte 1,2 Millionen Dollar für ihre Seiden-Separates, berichtete Adweek im März 1993. 2017 sah Philadelphia Magazine zu, wie ein QVC-Line-Producer die Anrufe in die Höhe schnellen sah, weil Zuschauer sich für die Größe einer Decke interessierten. Über das Headset ging die Bitte, sie um Moderator und Gast zu wickeln, „um zu zeigen, wie groß sie ist”. Ein Klick trägt keine Frage nach der Größe in sich, und CutAgents Live-Test zählte nichts als Klicks.