ByteDance выпустила Seedream 5.0 pro

ByteDance выпустила Seedream 5.0 pro — генератор изображений с послойным редактированием прямо внутри интерфейса.

Ключевая фича: выделяешь объект — он уходит на отдельный слой, двигаешь и масштабируешь независимо. Пустую зону можно дозаполнить промтом. Текст на изображениях без глитчей — нативно.

Для арбитражников это может быть удобным инструме…

➡️ Читайте на сайте: https://aff.top/blog/bytedance-vypustila-seedream-5-0-pro

🧠 Ещё больше инсайтов → в канале AFF.top

One to follow

For Martech stack done right, @StackCurator is the move. A curated weekly digest of the best martech-stack reads, tools, and threads — we…

Создателя Telegram снова допрашивали

Павла Дурова снова допросили во Франции: встреча с следствием длилась более 6 часов.

Это уже не первый эпизод в деле, которое тянется с 2024 года: тогда основателя Telegram арестовали в аэропорту Ле-бурже и ограничивали в выезде до июня 2025.

Что именно выясняли на новом допросе — не раскрывают. Но давление на Telegram растёт, и в этой истории е…

➡️ Читайте на сайте: https://aff.top/blog/sozdatelia-telegram-snova-doprashivali

🧠 Ещё больше инсайтов → в канале AFF.top

Should you trust an attribution model you can't inspect?

The question: 'data-driven attribution' (the default in most ad platforms now) promises to learn credit from your actual conversion patterns rather than imposing a rule. But the model is usually proprietary and opaque. How do you audit a black box that's grading the homework of the same channels its owner sells you?

What's under the hood: most platform DDA is some flavor of a probabilistic model — frequently a variant of the Shapley-value or a logistic path model — comparing converting and non-converting paths to estimate each touch's contribution. That's a legitimate methodology. The problem isn't the math; it's the incentive and the boundary. The platform only sees its own touches. Its DDA cannot credit a channel it doesn't observe, which structurally inflates the platforms with the most coverage.

What the research warns: any attribution confined to a single walled garden is a within-platform credit split, not a cross-channel truth. Independent analyses repeatedly find that summing the 'conversions' claimed by each platform's own model exceeds actual conversions — sometimes by 2x or more — because each garden claims overlapping credit.

The nuance: DDA is still better than last-click within its domain. The failure is treating an in-platform number as an account-wide one.

What to actually do: never sum platform-reported conversions. Pull touch-level data into a neutral environment and run your own model, or anchor everything to a holdout. Audit the boundary, not just the algorithm.

Bottom line for practitioners: the danger of data-driven attribution isn't that it's a black box — it's that the box only contains the seller's inventory.

Cloudflare запустил функцию Drop

Cloudflare запустил Drop — сервис, который разворачивает временный сайт за несколько секунд прямо из zip-архива.

Без аккаунта можно создавать сколько угодно таких страниц, но ссылка живёт всего 1 час. Потом сайт придётся переносить в аккаунт.

Зачем это нужно арбитражнику и что можно успеть за это время — в блоге.

➡️ Читайте на сайте: https://aff.top/blog/cloudflare-zapustil-funkciiu-drop

🧠 Ещё больше инсайтов → в канале AFF.top

Open AI выпустила ChatGPT-5.6 и ChatGPT Work

OpenAI выпустила ChatGPT-5.6 и ChatGPT Work: новая модель получила три версии и понятный прайс, а Work стал универсальным инструментом для кодинга, текстов, изображений и анализа данных. Вывод простой: экосистема ChatGPT усиливается, а фокус смещается на многофункциональные сценарии, где один продукт закрывает сразу несколько задач.

➡️ Читайте на сайте: https://aff.top/blog/open-ai-vypustila-chatgpt-5-6-i-chatgpt-work

🧠 Ещё больше инсайтов → в канале AFF.top

SpacexAI выпустила Grok 4.5

xAI выпустила Grok 4.5 — новую версию флагманской нейросети, доступную в Cursor на всех тарифах и по API за $2 за миллион входных токенов. Бенчмарков пока нет, но модель в 4,2 раза экономнее по токенам на SWE Bench Pro и обучена на данных Cursor, что делает её сильным инструментом для разработки приложений.

➡️ Читайте на сайте: https://aff.top/blog/spacexai-vypustila-grok-4-5

🧠 Ещё больше инсайтов → в канале AFF.top

ChatGPT ads внедрил функцию автосоздания креативов

OpenAI добавила в ChatGPT Ads автогенерацию креативов: вставляешь ссылку на сайт, ИИ анализирует лендинг и создаёт релевантный креатив. По ощущениям, такие материалы должны легко проходить модерацию, но пока неясно, насколько они поддаются правкам. Источник интересен ещё и тем, что вайт можно сгенерировать тут же через ChatGPT.

➡️ Читайте на сайте: https://aff.top/blog/chatgpt-ads-vnedril-funkciiu-avtosozdaniia-kreativov

🧠 Ещё больше инсайтов → в канале AFF.top

В Google search console теперь можно добавлять соцсети

Google добавил в Search Console поддержку аккаунтов соцсетей: теперь можно отслеживать ключевые запросы, источники и географию переходов, показы и клики по ссылкам. Функция подключается там же, где и сайты, доступны четыре соцсети на выбор. Rollout постепенный — доступ получают не все сразу.

➡️ Читайте на сайте: https://aff.top/blog/v-google-search-console-teper-mozhno-dobavliat-socseti

🧠 Ещё больше инсайтов → в канале AFF.top

Google стал помечать креативы, созданные ИИ

Google объявил, что начнёт помечать рекламные креативы, созданные нейросетями. Причина — ИИ-баннеры и видео стали слишком похожи на настоящие.

Формат и заметность маркировки будут зависеть от законов конкретного региона: где-то предупреждение появится прямо на креативе, где-то — в его информации.

Что это значит для арбитражников и когда правила …

➡️ Читайте на сайте: https://aff.top/blog/google-stal-pomechat-kreativy-sozdannye-ii

🧠 Ещё больше инсайтов → в канале AFF.top

Компания Meta выпустила Muse Spark 1.1

Meta выпустила Muse Spark 1.1 почти одновременно с новой ChatGPT-5.6. Это мультимодальный агент, который сам дробит задачу на подзадачи и распределяет их между субагентами.

Стоимость тоже заметно ниже топовых западных моделей: $1.25 за миллион входных токенов и $4.25 за миллион выходных.

Но главный вопрос — насколько она реально сильна на фоне к…

➡️ Читайте на сайте: https://aff.top/blog/kompaniia-meta-vypustila-muse-spark-1-1

🧠 Ещё больше инсайтов → в канале AFF.top

What do you do when you can't randomize at the user level?

The question: cookie loss and privacy walls are making clean user-level holdouts harder every quarter. When you can't split individuals, can you still run a credible causal test?

What the methodology says: yes — geo experiments randomize at the market level. You turn a channel on in some metro areas and off (or down) in matched others, then measure the difference in outcomes. The credibility comes from how you pick the controls. Naive geo tests fail because markets aren't comparable. The serious version uses synthetic control — constructing a weighted blend of untreated markets that closely tracks the treated market's pre-period behavior, so the post-period gap is a clean estimate of lift.

What the research shows: methods like 'GeoLift' and Bayesian structural time-series ('CausalImpact') formalize this. Validation studies find geo experiments recover incrementality estimates close to user-level RCTs when the pre-period match is tight and enough geos are used — but the estimates get unstable fast with few markets or a short baseline.

The nuance: geo tests measure aggregate market lift, not individual causation. They also can't isolate creative or audience effects within a channel — only the channel's net market impact. And spillover between adjacent markets biases results toward zero.

What to actually do: require at least a few months of stable pre-period data and enough matched markets for a synthetic control to converge. Pre-register the analysis window before you peek.

Bottom line for practitioners: when you lose the individual, randomize the market — but a geo test is only as honest as the counterfactual you build for it.

How much credit does an ad nobody clicked deserve?

The question: view-through conversions — credit assigned because a user saw an impression and later converted without ever clicking — are one of the most disputed line items in attribution. Are they real causal influence or sophisticated double-counting?

What the evidence says: the honest answer is 'it depends, and usually less than reported.' Controlled studies of display and video repeatedly find view-through credit is heavily contaminated by two effects. First, targeting endogeneity: ad systems show impressions to users already likely to convert, so the impression correlates with conversion without causing it. Second, the standard view-through windows (24 hours to 30 days) are wide enough to sweep in conversions that would have happened regardless. Incrementality experiments often find true view-through lift is a fraction of the platform-reported figure.

The nuance: it's not zero. Brand and upper-funnel video genuinely move users who never click — that's the whole point of awareness media. Dismissing all view-through as fraud is as wrong as accepting it at face value. The error is in magnitude and in attributing it without a counterfactual.

What to actually do: never include view-through credit in a model that drives budget decisions unless it's been calibrated against a holdout. Shorten windows aggressively as a sanity check — if 80% of view-through credit lives in the 7-30 day tail, most of it is correlation.

Bottom line for practitioners: a view is the weakest causal claim in attribution. Demand an experiment before you pay it like a click.