CLIP-based детекция креативов: какие сигналы платформы сравнивают между собой

CLIP-based детекция креативов: какие сигналы платформы сравнивают между собой

CLIP-подобные модели смотрят не на один объект, а на связку «картинка + текст + смысл». Поэтому креатив может пройти OCR, но всё равно попасть в similarity-кластер из-за визуальной композиции, повторяющегося персонажа, одинакового layout или совпадающей семантики обещания.

Платформы обычно сопоставляют:
— текст на баннере и в озвучке с лендингом;
— скриншоты преленда с шаблонными фреймами;
— одинаковые фоны, лица, интерфейсы, иконки и CTA-блоки;
— повторяющиеся смысловые пары: «легкий доход», «срочное решение», «до/после», «секретный способ»;
— близкие эмбеддинги у разных форматов одного оффера.

Отдельно важен не только сам кадр, но и последовательность кадров. Если первые 2–3 секунды видео содержат типовой хук, экран-обложку или резкий переход к лендингу, модель часто сводит такие креативы в один паттерн даже при разных словах и цветах.

Для арбитражника это означает простое правило: менять только текст недостаточно. Когда визуальная структура, смысловой каркас и маршрут пользователя одинаковые, платформа видит не «новый креатив», а вариацию старого шаблона. Особенно быстро это работает на сетках с однотипными прелендами и сериями видео-обложек.

Лучше считать CLIP не фильтром по картинке, а детектором повторяющегося намерения: чем ближе семантика и структура, тем выше шанс срабатывания.