Одна схема структуры не тянет все задачи подряд
В EEG-исследовании сравнили несколько схем positional encoding, и результат получился очень показательный: то, что хорошо работает на motor imagery, может заметно проседать на emotion recognition. Универсального решения снова не нашли, и это, пожалуй, главный вывод. Даже сильная архитектурная надстройка не обязана одинаково вести себя в разных сценариях.
Для креативных команд и медиабаеров здесь полезна не медицинская тема, а сама логика тестирования. Очень часто мы переносим удачную структуру объявления, лендинга или карточки товара из одной категории в другую и ожидаем того же эффекта. А потом удивляемся, что визуал, ритм или подача перестают работать. Причина обычно банальна: меняется контекст, а вместе с ним — и то, как аудитория считывает структуру. Значит, любые «лучшие практики» надо проверять на своей категории, а не брать как универсальный шаблон. Особенно когда речь идёт о hook'ах, формате подачи и первом экране.
В EEG-исследовании сравнили несколько схем positional encoding, и результат получился очень показательный: то, что хорошо работает на motor imagery, может заметно проседать на emotion recognition. Универсального решения снова не нашли, и это, пожалуй, главный вывод. Даже сильная архитектурная надстройка не обязана одинаково вести себя в разных сценариях.
Для креативных команд и медиабаеров здесь полезна не медицинская тема, а сама логика тестирования. Очень часто мы переносим удачную структуру объявления, лендинга или карточки товара из одной категории в другую и ожидаем того же эффекта. А потом удивляемся, что визуал, ритм или подача перестают работать. Причина обычно банальна: меняется контекст, а вместе с ним — и то, как аудитория считывает структуру. Значит, любые «лучшие практики» надо проверять на своей категории, а не брать как универсальный шаблон. Особенно когда речь идёт о hook'ах, формате подачи и первом экране.
Google Ads встроил управление лидами прямо в кабинет
Google Ads запустил Lead Management Dashboard — панель управления лидами, интегрированную прямо в интерфейс рекламного кабинета. Теперь не нужно выгружать данные в CRM или сторонние сервисы, чтобы увидеть базовую картину.
В дашборде доступны срезы: Total leads, New leads, Qualified leads, Lost leads и текущий статус каждого лида. Маркетолог или менеджер по продажам может прямо в интерфейсе отметить лид как «Квалифицирован» или «Сделка закрыта». Этот статус возвращается в систему как конверсионный сигнал, улучшая обучение алгоритмов.
Для тех, кто льёт на лидогенерацию через поисковые сети и КМС, это серьёзное упрощение. Особенно если учесть, что доля нецелевых или фродовых заявок при агрессивных заливах может доходить до 35–50%. Раньше эти данные приходилось сводить вручную или через дорогие интеграции. Теперь Google Ads сам учится на качестве лидов, а не только на их количестве.
Что это даёт на практике: вы быстрее отсекаете мусорные заявки, алгоритм получает более чистый сигнал для оптимизации, а бюджет тратится на реально заинтересованных пользователей. Особенно актуально для офферов, где конверсия идёт через форму заявки, а не через прямую продажу.
По этой же логике полезен @TeleAdsLog4Signal
Google Ads запустил Lead Management Dashboard — панель управления лидами, интегрированную прямо в интерфейс рекламного кабинета. Теперь не нужно выгружать данные в CRM или сторонние сервисы, чтобы увидеть базовую картину.
В дашборде доступны срезы: Total leads, New leads, Qualified leads, Lost leads и текущий статус каждого лида. Маркетолог или менеджер по продажам может прямо в интерфейсе отметить лид как «Квалифицирован» или «Сделка закрыта». Этот статус возвращается в систему как конверсионный сигнал, улучшая обучение алгоритмов.
Для тех, кто льёт на лидогенерацию через поисковые сети и КМС, это серьёзное упрощение. Особенно если учесть, что доля нецелевых или фродовых заявок при агрессивных заливах может доходить до 35–50%. Раньше эти данные приходилось сводить вручную или через дорогие интеграции. Теперь Google Ads сам учится на качестве лидов, а не только на их количестве.
Что это даёт на практике: вы быстрее отсекаете мусорные заявки, алгоритм получает более чистый сигнал для оптимизации, а бюджет тратится на реально заинтересованных пользователей. Особенно актуально для офферов, где конверсия идёт через форму заявки, а не через прямую продажу.
По этой же логике полезен @TeleAdsLog4Signal
У креативов тоже бывает своя «кривая обучения»: не только что показали, а как именно и в какой последовательности человек доходит до клика.
В свежем исследовании по GRPO авторы по сути показывают: если у метода обучения перекошены шаги и награды, он начинает хуже работать и на поиск новых решений, и на закрепление удачных. В переводе на язык рекламы это очень знакомая ситуация. Когда один хук забирает почти весь трафик, а остальные креативы почти не получают шанса, система быстро «залипает» в локальный максимум. Вроде CTR есть, но дальше качество спроса и масштабируемость начинают проседать.
Для креативщиков здесь важна не сама аббревиатура из paper, а логика: оценивать креатив стоит не только по финальному результату, но и по траектории. Как быстро объявление набирает сигналы? Насколько долго оно держит стабильный отклик? Не слишком ли рано алгоритм перестаёт искать альтернативы из-за перекоса в первых данных?
Это особенно заметно в связках с коротким циклом обучения: UGC, прямой отклик, FAQ-форматы, search-adjacent объявления. Один визуал может быстро выйти в плюс, но если он «съедает» весь learning budget, команда позже обнаруживает, что у неё нет нормального запаса по новым углам и подачам.
Практический вывод простой: не смотрите только на лучший winner. Смотрите, как быстро креатив выходит на плато, сколько времени живёт в тесте и не ломает ли он дальнейший поиск. Иногда проблема не в плохих объявлениях, а в том, как система распределяет внимание между ними.
В свежем исследовании по GRPO авторы по сути показывают: если у метода обучения перекошены шаги и награды, он начинает хуже работать и на поиск новых решений, и на закрепление удачных. В переводе на язык рекламы это очень знакомая ситуация. Когда один хук забирает почти весь трафик, а остальные креативы почти не получают шанса, система быстро «залипает» в локальный максимум. Вроде CTR есть, но дальше качество спроса и масштабируемость начинают проседать.
Для креативщиков здесь важна не сама аббревиатура из paper, а логика: оценивать креатив стоит не только по финальному результату, но и по траектории. Как быстро объявление набирает сигналы? Насколько долго оно держит стабильный отклик? Не слишком ли рано алгоритм перестаёт искать альтернативы из-за перекоса в первых данных?
Это особенно заметно в связках с коротким циклом обучения: UGC, прямой отклик, FAQ-форматы, search-adjacent объявления. Один визуал может быстро выйти в плюс, но если он «съедает» весь learning budget, команда позже обнаруживает, что у неё нет нормального запаса по новым углам и подачам.
Практический вывод простой: не смотрите только на лучший winner. Смотрите, как быстро креатив выходит на плато, сколько времени живёт в тесте и не ломает ли он дальнейший поиск. Иногда проблема не в плохих объявлениях, а в том, как система распределяет внимание между ними.
Lead Management внутри Google Ads: от трафика к качеству
Google Ads продолжает превращать рекламный кабинет в полноценную CRM-систему. Встроенная Lead Management Dashboard позволяет отслеживать путь заявки от первого клика до статуса закрытой сделки без необходимости постоянно переключаться между внешними аналитическими инструментами. Это критически важное обновление для тех, кто работает с лидогенерацией в поиске и КМС.
Главная ценность для байера здесь заключается в оперативной обратной связи. Статистика показывает, что доля «мусорных» или нецелевых заявок в агрессивных заливах может достигать 50%. Раньше этот показатель был скрыт за задержками в передаче данных из CRM, теперь же разметку лидов можно проводить непосредственно в интерфейсе Google. Имея перед глазами реальный статус заявки (Qualified vs Lost), можно точнее настраивать микроконверсии и оптимизировать кампании в режиме реального времени. Это прямой путь к повышению эффективности бюджета, ведь теперь алгоритмам проще передавать сигнал о качестве лида, что помогает системе быстрее отсекать нецелевую аудиторию на уровне аукциона.
Google Ads продолжает превращать рекламный кабинет в полноценную CRM-систему. Встроенная Lead Management Dashboard позволяет отслеживать путь заявки от первого клика до статуса закрытой сделки без необходимости постоянно переключаться между внешними аналитическими инструментами. Это критически важное обновление для тех, кто работает с лидогенерацией в поиске и КМС.
Главная ценность для байера здесь заключается в оперативной обратной связи. Статистика показывает, что доля «мусорных» или нецелевых заявок в агрессивных заливах может достигать 50%. Раньше этот показатель был скрыт за задержками в передаче данных из CRM, теперь же разметку лидов можно проводить непосредственно в интерфейсе Google. Имея перед глазами реальный статус заявки (Qualified vs Lost), можно точнее настраивать микроконверсии и оптимизировать кампании в режиме реального времени. Это прямой путь к повышению эффективности бюджета, ведь теперь алгоритмам проще передавать сигнал о качестве лида, что помогает системе быстрее отсекать нецелевую аудиторию на уровне аукциона.
Почему watermarking ломается не только на парафразе
AliMark предлагает любопытный подход к sentence watermarking: авторы сводят задачу к кодированию и выравниванию битовой последовательности между текстом и секретным битовым рядом. На практике это попытка сделать метку происхождения текста менее хрупкой, чем классические схемы, которые рушатся после переписывания.
Самое интересное здесь не в математике, а в поведении текста при переработке. Многие системы переживают замену слов, но начинают сыпаться, когда контент не просто парафразируют, а перестраивают по абзацам: дробят предложения, склеивают их обратно, меняют порядок. Именно такие сценарии характерны для AI-редактур, SEO-перепаковки и контент-потоков, где один и тот же материал проходит через несколько рук и несколько моделей.
Для маркетинговых команд это сигнал смотреть на инструменты не как на «антиплагиат», а как на слой контроля происхождения и редактурной истории. Если watermark выдерживает только поверхностную замену формулировок, он мало полезен там, где контент живёт в цепочке генерация → правка → переразметка → публикация.
Итог простой: при выборе решений для AI-контента важна устойчивость не к одному типу искажения, а к реальному производственному циклу текста.
Если интересна смежная механика — @VectorTiktokAds
AliMark предлагает любопытный подход к sentence watermarking: авторы сводят задачу к кодированию и выравниванию битовой последовательности между текстом и секретным битовым рядом. На практике это попытка сделать метку происхождения текста менее хрупкой, чем классические схемы, которые рушатся после переписывания.
Самое интересное здесь не в математике, а в поведении текста при переработке. Многие системы переживают замену слов, но начинают сыпаться, когда контент не просто парафразируют, а перестраивают по абзацам: дробят предложения, склеивают их обратно, меняют порядок. Именно такие сценарии характерны для AI-редактур, SEO-перепаковки и контент-потоков, где один и тот же материал проходит через несколько рук и несколько моделей.
Для маркетинговых команд это сигнал смотреть на инструменты не как на «антиплагиат», а как на слой контроля происхождения и редактурной истории. Если watermark выдерживает только поверхностную замену формулировок, он мало полезен там, где контент живёт в цепочке генерация → правка → переразметка → публикация.
Итог простой: при выборе решений для AI-контента важна устойчивость не к одному типу искажения, а к реальному производственному циклу текста.
Если интересна смежная механика — @VectorTiktokAds
Когда модель уверенно «не уверена», ей начинают доверять больше
В свежем исследовании сравнили пять новых foundation-моделей для временных рядов и две сильные базовые модели. Смотрели не только на точность прогноза, но и на калибровку — то есть насколько заявленная уверенность модели совпадает с реальной надежностью ответа.
Что важно для практики:
если модель часто говорит «вероятно», когда на деле ошибается, это ломает доверие к прогнозам;
если она аккуратно отделяет сильные сигналы от слабых, ее ответы проще использовать в системах ранжирования и автоматических рекомендациях.
В этом наборе foundation-модели выглядели заметно ровнее baseline-решений. У них не было типичной для многих нейросетей привычки переоценивать собственную правоту. Иными словами, они не скатывались в хронический overconfidence и не уходили в вечную осторожность.
Для тех, кто работает с креативами и медиабаингом, здесь есть прямой вывод: недостаточно, чтобы модель просто «выдавала текст» или строила прогноз. Важнее, как она ведет себя на пограничных случаях — когда данных мало, сигнал шумный, а решение нужно принять быстро. Именно там калиброванная модель полезнее.
Если смотреть шире, это еще один аргумент в пользу инструментов, которые умеют показывать не только ответ, но и качество этого ответа. В AI-помощниках, скоринге лидов, прогнозах спроса и оценке вероятности конверсии это уже не приятный бонус, а базовое требование к качеству.
В свежем исследовании сравнили пять новых foundation-моделей для временных рядов и две сильные базовые модели. Смотрели не только на точность прогноза, но и на калибровку — то есть насколько заявленная уверенность модели совпадает с реальной надежностью ответа.
Что важно для практики:
если модель часто говорит «вероятно», когда на деле ошибается, это ломает доверие к прогнозам;
если она аккуратно отделяет сильные сигналы от слабых, ее ответы проще использовать в системах ранжирования и автоматических рекомендациях.
В этом наборе foundation-модели выглядели заметно ровнее baseline-решений. У них не было типичной для многих нейросетей привычки переоценивать собственную правоту. Иными словами, они не скатывались в хронический overconfidence и не уходили в вечную осторожность.
Для тех, кто работает с креативами и медиабаингом, здесь есть прямой вывод: недостаточно, чтобы модель просто «выдавала текст» или строила прогноз. Важнее, как она ведет себя на пограничных случаях — когда данных мало, сигнал шумный, а решение нужно принять быстро. Именно там калиброванная модель полезнее.
Если смотреть шире, это еще один аргумент в пользу инструментов, которые умеют показывать не только ответ, но и качество этого ответа. В AI-помощниках, скоринге лидов, прогнозах спроса и оценке вероятности конверсии это уже не приятный бонус, а базовое требование к качеству.
Почему модели ломаются на реальных запросах
В исследованиях по supervised causal learning снова всплыл знакомый для digital-продуктов эффект: модель хорошо выглядит на синтетике, но теряет устойчивость, когда попадает в живой поток запросов. Новый подход TTT-SCL пытается лечить именно это — не полагаться на один раз обученную логику, а собирать и подстраивать тренировочный набор под конкретный тестовый пример в моменте.
Это особенно важно там, где контекст постоянно меняется. В AI Search запросы редко повторяют «учебные» паттерны: пользовательский интент, формулировка и окружение сигнала могут сильно отличаться от того, что было в train set. Поэтому модели, которые опираются только на синтетические бенчмарки, в проде часто дают сбои на нестандартных сочетаниях факторов.
Что здесь полезно для маркетинга и арбитража. Во-первых, статическая модель хуже переживает сдвиг распределения — значит, её ответы и рекомендации становятся менее надёжными на новых кластерах. Во-вторых, compositional generalization оказывается слабым местом: когда комбинация признаков новая, качество падает быстрее, чем ожидается. Практический вывод — в поиске, креативах и аналитике выигрывают системы, которые умеют адаптироваться к конкретному запросу, а не просто масштабируют старое правило на весь поток.
Если интересна смежная механика — @DeskAttributionMeasurement
В исследованиях по supervised causal learning снова всплыл знакомый для digital-продуктов эффект: модель хорошо выглядит на синтетике, но теряет устойчивость, когда попадает в живой поток запросов. Новый подход TTT-SCL пытается лечить именно это — не полагаться на один раз обученную логику, а собирать и подстраивать тренировочный набор под конкретный тестовый пример в моменте.
Это особенно важно там, где контекст постоянно меняется. В AI Search запросы редко повторяют «учебные» паттерны: пользовательский интент, формулировка и окружение сигнала могут сильно отличаться от того, что было в train set. Поэтому модели, которые опираются только на синтетические бенчмарки, в проде часто дают сбои на нестандартных сочетаниях факторов.
Что здесь полезно для маркетинга и арбитража. Во-первых, статическая модель хуже переживает сдвиг распределения — значит, её ответы и рекомендации становятся менее надёжными на новых кластерах. Во-вторых, compositional generalization оказывается слабым местом: когда комбинация признаков новая, качество падает быстрее, чем ожидается. Практический вывод — в поиске, креативах и аналитике выигрывают системы, которые умеют адаптироваться к конкретному запросу, а не просто масштабируют старое правило на весь поток.
Если интересна смежная механика — @DeskAttributionMeasurement
Один креативный шаблон не обязан одинаково стрелять везде
В свежем сравнении нескольких схем позиционного кодирования внутри CBraMod проверяли не «красоту» метода, а то, как он ведёт себя в разных задачах: motor imagery classification и emotion recognition. Причём отдельно смотрели на два режима — linear probing и fine-tuning.
Что интересно по наблюдению:
- SPE хорошо держит задачу, где важнее устойчивые структурные связи — в этом кейсе лучше выглядел на motor imagery.
- Но на emotion recognition уже теряет часть преимущества.
- ACPE, наоборот, не делает рывка в одной точке, зато даёт более ровный результат между разными сценариями.
Для нас, кто смотрит на креативы, это очень знакомая история. У объявлений часто есть «любимая» задача: один и тот же визуал или hook отлично заходит на холодном трафике, но начинает проседать, когда меняется аудитория, контекст или оффер. Средний CTR сам по себе мало что объясняет, если не разложить результат по сегментам.
Практический вывод простой: оценивать креатив нужно не по одному красивому показателю, а по тому, в какой ситуации он срабатывает. Иногда сильный в одном интенте формат не переносится на другой без адаптации. И наоборот — более «спокойная» конструкция даёт стабильность там, где агрессивный заход разваливается.
Для байера и креативщика это напоминание об одном: бенчмарк полезен не тем, что выбирает абсолютного победителя, а тем, что показывает границы применимости.
В свежем сравнении нескольких схем позиционного кодирования внутри CBraMod проверяли не «красоту» метода, а то, как он ведёт себя в разных задачах: motor imagery classification и emotion recognition. Причём отдельно смотрели на два режима — linear probing и fine-tuning.
Что интересно по наблюдению:
- SPE хорошо держит задачу, где важнее устойчивые структурные связи — в этом кейсе лучше выглядел на motor imagery.
- Но на emotion recognition уже теряет часть преимущества.
- ACPE, наоборот, не делает рывка в одной точке, зато даёт более ровный результат между разными сценариями.
Для нас, кто смотрит на креативы, это очень знакомая история. У объявлений часто есть «любимая» задача: один и тот же визуал или hook отлично заходит на холодном трафике, но начинает проседать, когда меняется аудитория, контекст или оффер. Средний CTR сам по себе мало что объясняет, если не разложить результат по сегментам.
Практический вывод простой: оценивать креатив нужно не по одному красивому показателю, а по тому, в какой ситуации он срабатывает. Иногда сильный в одном интенте формат не переносится на другой без адаптации. И наоборот — более «спокойная» конструкция даёт стабильность там, где агрессивный заход разваливается.
Для байера и креативщика это напоминание об одном: бенчмарк полезен не тем, что выбирает абсолютного победителя, а тем, что показывает границы применимости.
Google Ads теперь отслеживает качество лидов: что это значит для арбитража
В интерфейсе Google Ads появилась встроенная панель Lead Management Dashboard. Она показывает количество лидов, новые, квалифицированные, потерянные и текущий статус каждого. Самое важное: статус можно вручную менять на Qualified или «Сделка закрыта», и эта информация возвращается в систему как сигнал конверсии.
Для тех, кто льёт на лид-формы через Поиск и КМС, это серьёзный сдвиг. Раньше качество заявки оценивалось постфактум в CRM, а теперь Google получает данные обратной связи прямо из кабинета. Это значит, что алгоритмы быстрее поймут, какой трафик приносит реальные продажи, а какой — мусор. В статье Search Engine Land указывают, что доля нецелевых и фродовых лидов при агрессивном заливе может достигать 35–50%.
Наблюдение для арбитражных команд: теперь вы можете ещё до выгрузки в CRM отсеивать заведомо плохие контакты, помечая их как Lost. Это улучшит качество данных для оптимизации. Кроме того, появление такой панели подтверждает тренд: Google всё глубже встраивает CRM-логику в рекламный кабинет, делая связку трафика и продаж более прозрачной. Готовьтесь к тому, что скоро конверсией будет считаться не просто заполнение формы, а подтверждённая сделка.
В интерфейсе Google Ads появилась встроенная панель Lead Management Dashboard. Она показывает количество лидов, новые, квалифицированные, потерянные и текущий статус каждого. Самое важное: статус можно вручную менять на Qualified или «Сделка закрыта», и эта информация возвращается в систему как сигнал конверсии.
Для тех, кто льёт на лид-формы через Поиск и КМС, это серьёзный сдвиг. Раньше качество заявки оценивалось постфактум в CRM, а теперь Google получает данные обратной связи прямо из кабинета. Это значит, что алгоритмы быстрее поймут, какой трафик приносит реальные продажи, а какой — мусор. В статье Search Engine Land указывают, что доля нецелевых и фродовых лидов при агрессивном заливе может достигать 35–50%.
Наблюдение для арбитражных команд: теперь вы можете ещё до выгрузки в CRM отсеивать заведомо плохие контакты, помечая их как Lost. Это улучшит качество данных для оптимизации. Кроме того, появление такой панели подтверждает тренд: Google всё глубже встраивает CRM-логику в рекламный кабинет, делая связку трафика и продаж более прозрачной. Готовьтесь к тому, что скоро конверсией будет считаться не просто заполнение формы, а подтверждённая сделка.
Оптимизация RAG и SEO: как EvoSpec снижает затраты на инференс
Масштабирование SEO-контента и RAG-систем (Retrieval-Augmented Generation) часто упирается в стоимость инфраструктуры. Когда требуется поддерживать актуальность данных в реальном времени, работа с «длинным хвостом» запросов становится дорогим удовольствием. Новый фреймворк EvoSpec для speculative decoding предлагает способ оптимизировать процесс, динамически адаптируя draft-модели под конкретные задачи.
Ключевая ценность здесь — не просто ускорение генерации, а снижение требований к памяти при сохранении качества ответов. Для тех, кто работает с большими семантическими кластерами или автоматизированными каталогами, это возможность снизить расходы на инференс без потери релевантности. Если раньше для поддержания высокого качества на редких сущностях требовались тяжелые модели, то с динамической адаптацией можно эффективнее использовать более компактные решения.
Для бизнеса это означает переход от модели «платим за каждый токен тяжелой модели» к более умной инфраструктуре. Оптимизация на уровне адаптации словаря под конкретные ниши позволяет быстрее обновлять контент и лучше попадать в интенты пользователей, не переплачивая за вычислительные мощности впустую. Это критически важно для рынков, где скорость реакции на изменение поисковых трендов напрямую влияет на позиции и объем органического трафика.
Масштабирование SEO-контента и RAG-систем (Retrieval-Augmented Generation) часто упирается в стоимость инфраструктуры. Когда требуется поддерживать актуальность данных в реальном времени, работа с «длинным хвостом» запросов становится дорогим удовольствием. Новый фреймворк EvoSpec для speculative decoding предлагает способ оптимизировать процесс, динамически адаптируя draft-модели под конкретные задачи.
Ключевая ценность здесь — не просто ускорение генерации, а снижение требований к памяти при сохранении качества ответов. Для тех, кто работает с большими семантическими кластерами или автоматизированными каталогами, это возможность снизить расходы на инференс без потери релевантности. Если раньше для поддержания высокого качества на редких сущностях требовались тяжелые модели, то с динамической адаптацией можно эффективнее использовать более компактные решения.
Для бизнеса это означает переход от модели «платим за каждый токен тяжелой модели» к более умной инфраструктуре. Оптимизация на уровне адаптации словаря под конкретные ниши позволяет быстрее обновлять контент и лучше попадать в интенты пользователей, не переплачивая за вычислительные мощности впустую. Это критически важно для рынков, где скорость реакции на изменение поисковых трендов напрямую влияет на позиции и объем органического трафика.
Один и тот же визуальный приём не обязан тащить все офферы одинаково
В исследованиях по EEG-моделям сравнили несколько схем positional encoding внутри одной архитектуры и прогнали их через две проверки: линейную оценку и дообучение. Смотрели на разные задачи, и картина получилась знакомая любому, кто работает с креативами и трафиком: сильное решение в одном сценарии может заметно просесть в другом.
Например, одна схема лучше раскрылась на motor imagery, но на emotion recognition результат уже был слабее. Другая дала более ровный баланс между задачами, без яркого пика в одном месте и провала в другом. Вывод авторов простой: универсальной настройки для всех EEG-сценариев нет, выбор зависит от конкретной задачи.
Для креативщика это очень близкая логика. Хук, композиция, первый экран, формат демонстрации продукта, даже палитра — всё это может идеально работать на одном сегменте аудитории и плохо переноситься на другой. То, что даёт хороший CTR в одном источнике или под один pain point, не обязано так же вести себя в другом плейсменте, гео или воронке.
Полезный вывод здесь не про нейросигналы, а про дисциплину тестов: не искать один “правильный” шаблон, а проверять несколько рабочих схем под разные кластеры аудитории и сценарии внимания. В креативах, как и в EEG-моделях, переносимость важнее красивой единичной победы.
В исследованиях по EEG-моделям сравнили несколько схем positional encoding внутри одной архитектуры и прогнали их через две проверки: линейную оценку и дообучение. Смотрели на разные задачи, и картина получилась знакомая любому, кто работает с креативами и трафиком: сильное решение в одном сценарии может заметно просесть в другом.
Например, одна схема лучше раскрылась на motor imagery, но на emotion recognition результат уже был слабее. Другая дала более ровный баланс между задачами, без яркого пика в одном месте и провала в другом. Вывод авторов простой: универсальной настройки для всех EEG-сценариев нет, выбор зависит от конкретной задачи.
Для креативщика это очень близкая логика. Хук, композиция, первый экран, формат демонстрации продукта, даже палитра — всё это может идеально работать на одном сегменте аудитории и плохо переноситься на другой. То, что даёт хороший CTR в одном источнике или под один pain point, не обязано так же вести себя в другом плейсменте, гео или воронке.
Полезный вывод здесь не про нейросигналы, а про дисциплину тестов: не искать один “правильный” шаблон, а проверять несколько рабочих схем под разные кластеры аудитории и сценарии внимания. В креативах, как и в EEG-моделях, переносимость важнее красивой единичной победы.
Агентный поиск начал оценивать каждый шаг — креативы придётся выстраивать в логическую цепочку
Новый метод GDCR (Graph-Distance Contribution Reward) позволяет агентным поисковым системам присваивать награду не только за финальный ответ, но и за каждый промежуточный шаг — за то, какие сущности извлечены и как они связаны с целевым ответом. В паре с алгоритмом SAPO это даёт кредитование пошаговых действий.
Для SEO и AI-выдачи это меняет правила игры: если раньше система оценивала качество ответа целиком, то теперь важны отдельные entity и момент их появления в цепочке рассуждения. Для креативов это означает, что при генерации контента нужно думать не только о ключевых словах, но и о логической структуре подачи информации. Агентный поиск будет отдавать предпочтение тем источникам, которые содержат чёткую последовательность сущностей, ведущих к ответу.
Наблюдение для арбитражников: если ваш контент (лендинг, статья, обзор) выстроен как нарратив с ясными шагами — от проблемы к решению, через конкретные факты и цитаты — у него больше шансов быть процитированным на каждом этапе. Проверьте, как ваш материал выглядит в разрезе сущностей: достаточно ли они разнесены и связаны, чтобы агентный поиск счёл их полезными.
Похожий разбор есть в @MetaAdsOpinion4
Новый метод GDCR (Graph-Distance Contribution Reward) позволяет агентным поисковым системам присваивать награду не только за финальный ответ, но и за каждый промежуточный шаг — за то, какие сущности извлечены и как они связаны с целевым ответом. В паре с алгоритмом SAPO это даёт кредитование пошаговых действий.
Для SEO и AI-выдачи это меняет правила игры: если раньше система оценивала качество ответа целиком, то теперь важны отдельные entity и момент их появления в цепочке рассуждения. Для креативов это означает, что при генерации контента нужно думать не только о ключевых словах, но и о логической структуре подачи информации. Агентный поиск будет отдавать предпочтение тем источникам, которые содержат чёткую последовательность сущностей, ведущих к ответу.
Наблюдение для арбитражников: если ваш контент (лендинг, статья, обзор) выстроен как нарратив с ясными шагами — от проблемы к решению, через конкретные факты и цитаты — у него больше шансов быть процитированным на каждом этапе. Проверьте, как ваш материал выглядит в разрезе сущностей: достаточно ли они разнесены и связаны, чтобы агентный поиск счёл их полезными.
Похожий разбор есть в @MetaAdsOpinion4
Детекция ИИ-текста всё меньше похожа на поиск «подозрительных слов»
Интересный сдвиг: в AliMark watermarking предлагают думать не как о вставке заметного префикса в текст, а как о сопоставлении битовой структуры между исходником и секретным шаблоном. По сути, система смотрит не только на формулировки, но и на то, как текст можно перестроить, чтобы сохранить скрытый сигнал.
Практический смысл для креатива и контента такой: устойчивость к переписыванию растёт там, где текст меняют не косметически, а через разбиение, склейку и переформатирование фраз. Именно это обычно делают при масштабировании рекламных связок, адаптации объявлений под разные площадки и массовой переработке лендингов. Если раньше можно было надеяться, что переписанный текст «сотрёт следы», то теперь детекция всё чаще ищет совпадения на уровне структуры.
Самое важное в этой логике — multi-candidate alignment: система не цепляется за единственный вариант исходника, а сравнивает несколько перестроенных версий и выбирает минимально затратное выравнивание. Это делает её заметно крепче против парафраза, замены порядка предложений и частичных пересборок.
Для медиабайеров и креативщиков вывод простой: чем больше в конвейере автоматической переработки текста, тем выше шанс, что антиспам и AI-detector начнут смотреть глубже, чем просто на лексика. Значит, внимание смещается с «какие слова написаны» на «как собран сам текст».
Интересный сдвиг: в AliMark watermarking предлагают думать не как о вставке заметного префикса в текст, а как о сопоставлении битовой структуры между исходником и секретным шаблоном. По сути, система смотрит не только на формулировки, но и на то, как текст можно перестроить, чтобы сохранить скрытый сигнал.
Практический смысл для креатива и контента такой: устойчивость к переписыванию растёт там, где текст меняют не косметически, а через разбиение, склейку и переформатирование фраз. Именно это обычно делают при масштабировании рекламных связок, адаптации объявлений под разные площадки и массовой переработке лендингов. Если раньше можно было надеяться, что переписанный текст «сотрёт следы», то теперь детекция всё чаще ищет совпадения на уровне структуры.
Самое важное в этой логике — multi-candidate alignment: система не цепляется за единственный вариант исходника, а сравнивает несколько перестроенных версий и выбирает минимально затратное выравнивание. Это делает её заметно крепче против парафраза, замены порядка предложений и частичных пересборок.
Для медиабайеров и креативщиков вывод простой: чем больше в конвейере автоматической переработки текста, тем выше шанс, что антиспам и AI-detector начнут смотреть глубже, чем просто на лексика. Значит, внимание смещается с «какие слова написаны» на «как собран сам текст».
Foundation-модели временных рядов: предсказуемая уверенность без перекоса
Недавняя проверка пяти time-series foundation моделей показала: они стабильно лучше откалиброваны, чем базовые deep learning модели. Ни переуверенности, ни недоуверенности — ровная логика confidence. Для AI Search, где модели оценивают вероятности и ранжируют ответы, это снижает шум в прогнозах. Для арбитражника — более надёжные сигналы при автоматической генерации контента. Если вы используете AI-инструменты, которые опираются на временные ряды (например, для прогноза спроса или динамики CTR), можно рассчитывать, что модель не будет «выдумывать» слишком уверенные предсказания в ситуациях неопределённости. Но есть нюанс: автоген там, где модель сама не должна звучать слишком уверенно, становится менее рискованным. Наблюдение: foundation-модели временных рядов — не панацея, но их калибровка лучше. При выборе инструмента для анализа трендов или предсказаний в рекламных кампаниях стоит отдавать предпочтение таким моделям, а не кастомным DL-решениям.
Недавняя проверка пяти time-series foundation моделей показала: они стабильно лучше откалиброваны, чем базовые deep learning модели. Ни переуверенности, ни недоуверенности — ровная логика confidence. Для AI Search, где модели оценивают вероятности и ранжируют ответы, это снижает шум в прогнозах. Для арбитражника — более надёжные сигналы при автоматической генерации контента. Если вы используете AI-инструменты, которые опираются на временные ряды (например, для прогноза спроса или динамики CTR), можно рассчитывать, что модель не будет «выдумывать» слишком уверенные предсказания в ситуациях неопределённости. Но есть нюанс: автоген там, где модель сама не должна звучать слишком уверенно, становится менее рискованным. Наблюдение: foundation-модели временных рядов — не панацея, но их калибровка лучше. При выборе инструмента для анализа трендов или предсказаний в рекламных кампаниях стоит отдавать предпочтение таким моделям, а не кастомным DL-решениям.
Автоподстановка affiliate ID: удобство, которое экономит не только клики
Geniuslink показал функцию, которая знакома всем, кто работает с партнёрскими ссылками в международке: можно вставить обычный product URL, а дальше сервис сам подставит нужный affiliate ID на этапе редиректа. В списке поддерживаемых сетей и ритейлеров — Amazon, iTunes, Walmart, Best Buy, B&H Photo и другие через Sovrn Commerce и Skimlinks.
С точки зрения креатива и медиабаинга здесь интересен не сам «магический» редирект, а то, как он меняет жизнь связки «объявление → лендинг → покупка». Чем меньше ручной возни со ссылками, тем проще масштабировать тесты: один и тот же материал можно быстро адаптировать под разные страны, storefront и партнёрские условия. Для команд, которые гонят много трафика на товарку или обзоры, это снимает часть операционной рутины.
Но у автоматизации есть обратная сторона. Любая прослойка между пользователем и финальной страницей добавляет зависимость от правил конкретного ритейлера, качества редиректа и того, как платформа обрабатывает региональный трафик. В описании таких решений обычно звучит только «ускоряет процессы», а реальные вопросы начинаются позже: что будет с атрибуцией, как ведут себя разные гео, не ломаются ли ссылки при массовом обновлении и насколько прозрачен весь маршрут пользователя.
Отдельно стоит отметить Amazon Link Engine для WordPress: он сканирует сайт и переводит все Amazon-ссылки в managed URL. Для контентных проектов это, по сути, автоматическая зачистка старой ссылочной инфраструктуры под единый стандарт.
В целом тренд понятен: партнёрка всё меньше живёт как набор вручную собранных URL и всё больше как управляемый слой поверх контента. Для креативщиков это значит одно — сама ссылка становится частью операционной системы, а не просто хвостом в тексте объявления.
Geniuslink показал функцию, которая знакома всем, кто работает с партнёрскими ссылками в международке: можно вставить обычный product URL, а дальше сервис сам подставит нужный affiliate ID на этапе редиректа. В списке поддерживаемых сетей и ритейлеров — Amazon, iTunes, Walmart, Best Buy, B&H Photo и другие через Sovrn Commerce и Skimlinks.
С точки зрения креатива и медиабаинга здесь интересен не сам «магический» редирект, а то, как он меняет жизнь связки «объявление → лендинг → покупка». Чем меньше ручной возни со ссылками, тем проще масштабировать тесты: один и тот же материал можно быстро адаптировать под разные страны, storefront и партнёрские условия. Для команд, которые гонят много трафика на товарку или обзоры, это снимает часть операционной рутины.
Но у автоматизации есть обратная сторона. Любая прослойка между пользователем и финальной страницей добавляет зависимость от правил конкретного ритейлера, качества редиректа и того, как платформа обрабатывает региональный трафик. В описании таких решений обычно звучит только «ускоряет процессы», а реальные вопросы начинаются позже: что будет с атрибуцией, как ведут себя разные гео, не ломаются ли ссылки при массовом обновлении и насколько прозрачен весь маршрут пользователя.
Отдельно стоит отметить Amazon Link Engine для WordPress: он сканирует сайт и переводит все Amazon-ссылки в managed URL. Для контентных проектов это, по сути, автоматическая зачистка старой ссылочной инфраструктуры под единый стандарт.
В целом тренд понятен: партнёрка всё меньше живёт как набор вручную собранных URL и всё больше как управляемый слой поверх контента. Для креативщиков это значит одно — сама ссылка становится частью операционной системы, а не просто хвостом в тексте объявления.
Google Ads Lead Management Dashboard: меньше ручной работы, но мусор остаётся
Google Ads встроила дашборд управления лидами прямо в кабинет. Теперь видны Total, New, Qualified и Lost лиды, плюс статусы из CRM. Удобно, если у вас быстрый фидбек от продаж — можно сразу помечать квалифицированные заявки, и система учится на них. Для арбитражников это снижает ручную сверку между кабинетом и CRM. Но есть нюанс: в статье приводят цифру — при агрессивном заливе через поиск и КМС доля нецелевых и фродовых лидов достигает 35-50%. Панель сама по себе не чистит качество. Она лишь даёт инструмент для маркировки. Если у вас короткая цепочка — сразу лид и продажа, вы быстрее увидите, какие связки дают Qualified, а какие только объем. Если же лиды идут в долгую CRM и колл-центр, статус может задерживаться. Практический вывод: внедрите маркировку статусов хотя бы для 20% лидов, чтобы получить обратную связь по качеству трафика. Потом на основе этих данных можно отключать мусорные источники, не дожидаясь total CPL. Дашборд — не панацея, а новый виток контроля, который нужно использовать в связке с анализом поведения лида на сайте.
Google Ads встроила дашборд управления лидами прямо в кабинет. Теперь видны Total, New, Qualified и Lost лиды, плюс статусы из CRM. Удобно, если у вас быстрый фидбек от продаж — можно сразу помечать квалифицированные заявки, и система учится на них. Для арбитражников это снижает ручную сверку между кабинетом и CRM. Но есть нюанс: в статье приводят цифру — при агрессивном заливе через поиск и КМС доля нецелевых и фродовых лидов достигает 35-50%. Панель сама по себе не чистит качество. Она лишь даёт инструмент для маркировки. Если у вас короткая цепочка — сразу лид и продажа, вы быстрее увидите, какие связки дают Qualified, а какие только объем. Если же лиды идут в долгую CRM и колл-центр, статус может задерживаться. Практический вывод: внедрите маркировку статусов хотя бы для 20% лидов, чтобы получить обратную связь по качеству трафика. Потом на основе этих данных можно отключать мусорные источники, не дожидаясь total CPL. Дашборд — не панацея, а новый виток контроля, который нужно использовать в связке с анализом поведения лида на сайте.
Почему длина reasoning-цепочки важнее количества токенов для качества AI-ответов
В недавнем исследовании предложили алгоритм Entropy-Cut Metropolis-Hastings. Суть: модель не просто генерирует текст, а выбирает ключевые точки решения на основе энтропии next-token. Если энтропия высокая — значит модель неуверена, и в этой точке стоит пересэмплировать ответ. Авторы доказали, что время смешивания (mixing time) зависит от числа решений в траектории, а не от длины цепочки токенов. На бенчмарках MATH и HumanEval метод обошёл даже RL-обученные модели. Что это даёт нам, практикам? Качество AI-ответа теперь сильнее привязано к тому, как система перебирает варианты в точках неопределённости. Для GEO и AI Overviews это важный сигнал: две модели с одинаковым бэком могут выдавать разный output, если по-разному обрабатывают узкие места рассуждения. При тестировании AI-генераций для креативов — заголовков, текстов лендингов — стоит смотреть не только на промпт и источник, но и на поведение самплера при длинных рассуждениях. Если модель часто пересэмплирует в одних и тех же местах, финальный ответ может быть качественнее, но требовательнее к ресурсам.
В недавнем исследовании предложили алгоритм Entropy-Cut Metropolis-Hastings. Суть: модель не просто генерирует текст, а выбирает ключевые точки решения на основе энтропии next-token. Если энтропия высокая — значит модель неуверена, и в этой точке стоит пересэмплировать ответ. Авторы доказали, что время смешивания (mixing time) зависит от числа решений в траектории, а не от длины цепочки токенов. На бенчмарках MATH и HumanEval метод обошёл даже RL-обученные модели. Что это даёт нам, практикам? Качество AI-ответа теперь сильнее привязано к тому, как система перебирает варианты в точках неопределённости. Для GEO и AI Overviews это важный сигнал: две модели с одинаковым бэком могут выдавать разный output, если по-разному обрабатывают узкие места рассуждения. При тестировании AI-генераций для креативов — заголовков, текстов лендингов — стоит смотреть не только на промпт и источник, но и на поведение самплера при длинных рассуждениях. Если модель часто пересэмплирует в одних и тех же местах, финальный ответ может быть качественнее, но требовательнее к ресурсам.
Google Ads начал показывать не только заявки, но и их судьбу
В кабинете Google Ads появилась встроенная панель Lead Management Dashboard. Для тех, кто работает с лидформами и search, это заметный сдвиг: рекламный кабинет начинает заходить на территорию CRM и продаж.
Что видно внутри:
- общее число лидов;
- новые заявки;
- квалифицированные лиды;
- потерянные лиды;
- текущий статус по каждой заявке.
Самое практичное здесь не в самой витрине метрик, а в том, что статус лида можно вернуть обратно в Google Ads как конверсионный сигнал. То есть система начинает учитывать не просто факт оставленной заявки, а её дальнейшее качество.
Почему это важно для креативов и закупки:
если вы льёте search или КМС на лидогенерацию, то проблема часто не в количестве откликов, а в том, что креатив или связка привлекают слишком широкий, шумный или фродовый спрос. В таких сценариях доля мусорных лидов может быть очень высокой, и это ломает оптимизацию, если смотреть только на CPL.
Для команд, где заявка дальше проходит через отдел продаж, новая панель может стать удобным промежуточным слоем между рекламой и CRM. Теперь можно быстрее связать рекламный источник с тем, что происходит после клика: дошёл ли лид до квалификации, не отваливается ли на первом касании, и какие объявления приводят не просто форму, а реальный контакт с шансом на сделку.
По сути, Google Ads подталкивает рынок к более честной метрике: не «сколько лидов», а «какие лиды».
В кабинете Google Ads появилась встроенная панель Lead Management Dashboard. Для тех, кто работает с лидформами и search, это заметный сдвиг: рекламный кабинет начинает заходить на территорию CRM и продаж.
Что видно внутри:
- общее число лидов;
- новые заявки;
- квалифицированные лиды;
- потерянные лиды;
- текущий статус по каждой заявке.
Самое практичное здесь не в самой витрине метрик, а в том, что статус лида можно вернуть обратно в Google Ads как конверсионный сигнал. То есть система начинает учитывать не просто факт оставленной заявки, а её дальнейшее качество.
Почему это важно для креативов и закупки:
если вы льёте search или КМС на лидогенерацию, то проблема часто не в количестве откликов, а в том, что креатив или связка привлекают слишком широкий, шумный или фродовый спрос. В таких сценариях доля мусорных лидов может быть очень высокой, и это ломает оптимизацию, если смотреть только на CPL.
Для команд, где заявка дальше проходит через отдел продаж, новая панель может стать удобным промежуточным слоем между рекламой и CRM. Теперь можно быстрее связать рекламный источник с тем, что происходит после клика: дошёл ли лид до квалификации, не отваливается ли на первом касании, и какие объявления приводят не просто форму, а реальный контакт с шансом на сделку.
По сути, Google Ads подталкивает рынок к более честной метрике: не «сколько лидов», а «какие лиды».
Одна архитектура — разные результаты на разных типах данных
Сравнение пяти стратегий позиционного кодирования для EEG-моделей показало: универсального победителя нет. Spherical Positional Encoding (SPE) выигрывает на задачах классификации моторных образов, но проваливается на распознавании эмоций. Асимметричное условное кодирование (ACPE) даёт более ровные результаты между задачами.
Для креативщиков и байеров здесь прямая параллель: в AI-инструментах для контента и поиска не стоит полагаться на один пресет. Одна и та же нейросеть может отлично справляться с генерацией описаний для одной ниши и плохо — для другой. Причина — в структуре данных: разные вертикали имеют разную «внутреннюю геометрию».
Практическое наблюдение: когда вы тестируете модель для кластеризации, ранжирования или автогенерации под разные офферы, измеряйте качество отдельно по каждой категории. Средний балл по всем нишам может скрыть провал на ключевой вертикали. Настройка должна идти под каждый тип сигнала, а не под «среднюю температуру по больнице».
Сравнение пяти стратегий позиционного кодирования для EEG-моделей показало: универсального победителя нет. Spherical Positional Encoding (SPE) выигрывает на задачах классификации моторных образов, но проваливается на распознавании эмоций. Асимметричное условное кодирование (ACPE) даёт более ровные результаты между задачами.
Для креативщиков и байеров здесь прямая параллель: в AI-инструментах для контента и поиска не стоит полагаться на один пресет. Одна и та же нейросеть может отлично справляться с генерацией описаний для одной ниши и плохо — для другой. Причина — в структуре данных: разные вертикали имеют разную «внутреннюю геометрию».
Практическое наблюдение: когда вы тестируете модель для кластеризации, ранжирования или автогенерации под разные офферы, измеряйте качество отдельно по каждой категории. Средний балл по всем нишам может скрыть провал на ключевой вертикали. Настройка должна идти под каждый тип сигнала, а не под «среднюю температуру по больнице».