本文介绍了阿里妈妈团队在生成式拍卖领域的研究，提出了一种感知排列外部性的广告拍卖机制。该机制利用自回归模型生成广告分配结果，显著提升了平台收入和广告效果，突破了传统的“先预估后分配”模式。实验结果表明，该方法有效优化了在线广告拍卖机制。

本文研究了在线定价和广告拍卖问题，提出了一种基于贝叶斯模型的低后悔率算法，优化了动态定价策略。结合监督学习和二次规划，改进了汽车租赁行业的定价模型，并探讨了在线评论对定价决策的影响。此外，研究提出了一种新的自监督训练方法，以有效解决约束优化问题。

本文研究了大型语言模型（LLM）在广告拍卖中的应用，提出了一个新框架以提升广告内容展示效果。通过理论分析和实验验证，该系统在隐私、延迟和用户满意度等方面满足关键要求。此外，研究还探讨了LLM在多代理系统中的共识能力，展示了其在复杂任务中的潜力，并提出了公平性框架以确保AI的负责任使用。