双塔模型+全域计划变化之下的挑战与机会

⭐ Part 1：双塔模型是什么以及有什么价值？ ⭐

一、抖音千川双塔模型解析：

为什么需要“双塔模型”？

在抖音千川广告投放平台中，每天有数以亿计的用户刷短视频，同时也有成千上万的商家希望自己的商品被目标用户看到。那么问题来了：

抖音平台：多留存，多广告

商家：赚到钱，少试错

如何在海量用户和海量广告之间，快速又准确地找到“对的人”？

以前 1.0 时代，方法可能需要对每一条广告和每一个用户做实时交叉计算，效率很低。而双塔模型 正是解决这一难题的核心。

二、什么是双塔模型？

简单来说，双塔模型就像两座独立的“信号塔”（左手和右手握手）：

用户塔：输入用户行为、兴趣、画像等信息（看什么、点什么、搜什么）形成 n个用户画像。

广告塔：输入广告内容（（视频画面、文案、商品画面），形成 n个广告画像

这两座塔各自独立训练，各自储存数据，通过智能匹配，来平衡用户与广告的匹配度。

这个得分越高，说明用户越可能点击或转化这条广告。

用“相亲匹配”讲清楚广告推荐

双塔模型：提前给“人”和“广告”各自打个“兴趣标签”

男生=广告，女生=用户，相亲大会目的=撮合

比如：相亲前先填“兴趣档案”

在大型相亲会上，主办方不会让每个人现场聊 1000 个人。而是：

先让每个人填一张兴趣表（喜欢旅行？爱做饭？想结婚？）

再给每位嘉宾生成一个“兴趣标签卡”（比如： 文艺, 爱猫, 周末宅）

匹配时，只看谁的标签最接近

这就是双塔模型的逻辑

用户塔：根据你的行为（看什么、点什么、搜什么）生成用户画像。

广告塔：根据广告内容（视频画面、文案、商品类目），生成广告画像。

匹配：算“兴趣相似度”，越像越推荐

有了两张兴趣标签卡，怎么判断是否匹配？

很简单：看它们“长得像不像”。把爱好，做成视频片段，变成一个 VCR

和以前有什么区别？

标准广告=村里热心大妈（只管结果）

双塔模型=AI 智能媒婆，更懂你（不看历史，看是否合适）

算法怎样识别内容向量化过程，和有米云又有什么关联？

机制：算法通过抽帧方式进行向量化识别

提取关键帧，做画面向量和语音向量

通过重组匹配人群标签，做用户的推荐。向量化过程中，通过画面、语音、口播、文案、标题、关键词、主图、详情页等全面去抓取信息的特征，最后系统识别后做用户的匹配与推荐。算法先解构→再重组→最终做匹配的过程，是向量化过程。对于商家做内容，核心目标人群与商品核心卖点相统一，直播间、短视频、商品卡、投放内容方向应一致。

商家视角下怎样做是内容向量化

这个卖猫粮直播向量化特征做的非常好，卖猫粮一定是喜欢猫的用户，然后怎么要让算法把你的直播间推荐给喜欢猫的用户呢，最简单方法就是直播间放一个猫，且镜头对准猫，占据镜头的 60%，猫在直播间吃猫粮。猫在直播间通过算法的向量化识别到是猫这个宠物，那么系统就会把直播间推荐给对宠物感兴趣的用户做匹配。短视频的思路也是一样的，如果是卖猫粮的商家，视频的前 3S 一定要出现猫相关的画面，前 3S 就是向量化，算法识别到猫就会把短视频推给喜欢猫的用户。

向量画面➕文案越多，系统越懂你要的用户“群”，需要用到有米云“找”和“挖”。如果向量特征比同行少，结果至少可以预想一下。

三、总结：双塔模型的价值

向量化-商家应用总结：

1、内容中(直播间或短视频)的元素或特征，与目标用户相关联或喜好或偏好等， 都是向量化过程，代表与目标用户距离更近。

2、把你的内容先交给算法识别，算法根据内容中的元素去做对应用户的匹配，其路径：商家内容→算法识别→匹配用户。

3、商家做内容的应围绕“目标用户”为出发点，通过向量化元素匹配用户的兴趣或偏好去做内容的放大。

4、商品、用户、内容所有的特征都会被数字化，一旦数字化就可以计算距离，特征数字化，也就是向量化过程。

5、向量化维度：直播场景、贴片、道具、标题关键词、主图、短视频、详情页、话术等结合这些向量特征算法去寻找、抓取，并计算匹配度更高的用户或商品。

6、短视频→直播间→产品链接→付费投放，这些都要去统一向量特征的一致性

以上画面元素在哪里能快速总结和第一时间获取呢？植入有米有数

⭐ Part 2：千川新时代——双塔模型+全域一刀切 ⭐

一、官方在干些什么？

双塔模型让内容理解与用户匹配双端自学习，全域把流量池合并，人工定向、堆计划、堆素材片段全部失效，只留素材质量与净成交 ROI。

二、底层技术前提：双塔模型带来的本质变化

用户塔+内容塔双编码，系统自动做内容-用户-商品全域匹配 不再依赖你手动输徕卡词、行为兴趣来“告诉系统用户是谁”

三、切全域后，给商家带来的焦虑

人工徕卡/行为兴趣/达人定向 → 完全失效

最新全域后台：已无徕卡词、行为兴趣、自定义达人入口 仅保留：年龄/性别/地域/消费力/八大人群包 官方定调：人群包、徕卡等传统定向玩法逐步下线 你再堆徕卡、堆行为词，系统直接忽略或降权

堆计划、多开计划测人群 → 彻底没用

全域是单账户单超级计划，统管整场直播/全店商品，一店/一场一直播一个全域计划，不允许多开 多计划=互相抢量、模型打架、探索效率暴跌 标准计划已全面下线，只剩：全域推直播间 & 全域推商品

堆素材、堆片段、高频混剪 → 直接被判低质

双塔对内容重复、片段重合、同质化识别极强 旧玩法：一条爆片拆 N 个片段、混剪上百条 → 现在跑量难（因为同质化） 系统只给原创、首发、场景差异化素材分配流量 素材池不是越多越好，是优进劣退，差素材拖死整个计划

一句话总结：

双塔模型+全域一刀切，等于把“人工投手”的徕卡、堆计划、堆素材全废掉，把流量分配权完全交还给 AI 与内容本身。

四、如何应对全面全域？

意识到素材向量化的重要性

结合以上内容，商家该如何做好素材向量化特征： 双塔模型 + 全域千川 = 素材必须做----向量化特征对齐

本质：人工徕卡失效后，素材本身就是定向词、就是人群包、就是标签。

懂核心：双塔模型到底怎么读你的素材找到投放人群？

千川现在是：

用户向量 ↔ 内容向量 ↔ 商品向量

三者自动匹配，完全不看你徕卡词。

你的素材，会被模型拆成一堆向量特征：

你以前靠徕卡词圈人，现在靠素材向量圈人。

素材向量化特征：商家该怎么发觉

3.1 一条素材 = 一个清晰向量（不能杂）

向量越单一，模型越容易匹配精准流量。

向量越干净，素材越容易打爆。

❌ 旧玩法（现在玩不动）

一条视频里多个要素：

便宜 + 高端 + 功能 + 颜值 + 剧情 + 搞笑

导致：

向量混乱 → 模型不知道推给谁 → 跑不起量

✅ 新玩法（向量干净）

每条素材只打一类特征：

• 痛点型向量
• 效果型向量
• 性价比型向量
• 高端品质型向量
• 场景使用型向量

3.2 素材结构 = 向量信号（直接影响模型理解）

你要让 AI 一眼看懂你的向量：

三段信号越清晰，千川双塔越容易给你推高 ROI。

3.3 素材库要做【向量矩阵，不是堆量】

全域时代正确素材结构：

你不是堆 100 条，

而是用 10～15 条高质量向量素材，铺满所有高价值匹配方向。

3.4 一个素材组 = 一个向量主题

不要一个素材组里扔乱七八糟素材。

结构应该是：

🚀

分组 A：痛点向量素材组

🔥

分组 B：效果向量素材组

💡

分组 C：性价比向量素材组

模型会给每个素材组形成独立向量人群，互不干扰，让系统做干净的叉乘广告。

关键本质：用素材向量替代徕卡词

以前投流圈人靠徕卡词，现在投流圈人靠素材向量

比如：

你想打宝妈 → 拍宝妈场景、宝妈语气、宝妈痛点 → 模型自动匹配宝妈向量

你想打高消费→ 拍高端场景、质感画面、品质话术 → 模型自动推高价值人群

你拍什么向量，就来什么人。

3.5 最简单可执行的【素材向量生产SOP】

（1）每条素材只锁定 1 个人群 + 1 个痛点 + 1 个卖点

（2）前 3 秒出人群，中间出价值，结尾出转化

（3）素材库做人群/需求/场景/转化四类向量

（4）一个全域计划只放同向量素材

（5）不堆量，只迭代向量更清晰的素材

（6）用数据淘汰向量不匹配的素材（低 CTR、低 ROI 直接下）

泡泡狮案例 ：https://my.feishu.cn/wiki/V3aewbloRi6tQQkhly3cG6J6ncc

⭐ Part 3：认识千川乘方 ⭐

《千川乘方产品手册》

https://bytedance.larkoffice.com/docx/V08mdNhrcolk4Gx5t21cLuoRn2O?bizType=13