广告图不再整张重做：只改拖累点击的属性，一周线上曝光两千万次点击率提升6.86%

广告图优化不再把整张图当作一个整体来重做，而是只改那些拖累点击率的视觉属性，保留对点击有正贡献的部分。 此前的做法把描述整张广告图的提示词整体判为正样本或负样本，效果不佳的图里所有视觉属性被同等惩罚，其中本来有利于点击的属性也一起被改掉。 在一周线上实验中，编辑后的广告图相对原图整体点击率提升6.86%，而同样以点击率为目标的CAIG方法只提升0.20%，GPT与Gemini分别被超出3.61和1.34个百分点。

系统先找出哪些视觉属性真正与点击率相关，再让模型学会给出可执行的修改建议，最后用真实点击反馈挑出有效的建议。 属性筛选把庞大的编辑空间压缩成一组可操作的维度，而不是让模型在整张图上自由生成。 从超过55万张线上广告图中用Qwen3-VL-32B抽取51个预定义视觉属性，经方差分析与随机森林贡献度筛选后保留28个与点击率显著相关的属性，并据此构建了101699条指令微调样本和68704对偏好样本。

偏好优化阶段加入一致性约束，让语义相同但操作顺序被打乱的修改建议获得一致的偏好。 标准DPO容易过拟合到建议的表面顺序模式，而不是编辑语义本身。 在约1000条编辑样本上，ECC的顺序一致性指标为0.0197，高于DPO的0.0003和DPOS2的0.0191，同时保持较强的选中与拒绝区分度。

报道覆盖的是电商广告图这一具体场景：系统在已有广告图上做细粒度编辑，而不是从商品图重新生成整张创意。线上实验在一周内覆盖44个产品品类，累计约两千万次曝光，编辑后的图片在部署前由专业从业者审核视觉质量与前后景兼容性。评估指标是编辑图与原图之间按曝光加权的整体点击率增益，并分别报告了家电、电脑、美妆等品类以及订单页、商品详情页等广告位的结果。读者若关心的是通用图像编辑或非电商创意场景，这里给出的证据范围并不覆盖。

属性筛选依赖Qwen3-VL-32B的自动抽取，其中14个属性因抽取不稳定、语义主观或分布失衡在统计前被排除，最终保留的28个属性仍带有这类筛选判断。偏好优化使用的偏好对来自真实曝光与点击反馈，而报告同时指出从图像预测点击率本身仍很困难，此前奖励模型准确率约为58%，因此偏好信号并非完全干净。美学评价中四个评估器的排序并不一致，也与线上点击率增益不完全对应，说明美学质量与广告效果并不等价。属性验证的成对分类任务中，使用28个属性的最高准确率为59.56%，接近随机水平之上有限的一档。