电商广告创意的优化目标已从单纯的美感转向点击率（CTR）等业务指标。已有方法通过构建 CTR 奖励并使用强化学习微调提示，直接从商品图生成吸引人的广告图。但这种生成式范式会对表现不佳的图像的所有属性统一惩罚，忽视了其中可能对点击有正向贡献的因素。\ \ 本文提出 ECC（Evolving Creatives with Clicks），将创意优化视为细粒度编辑而非从零生成。ECC 只针对降低 CTR 的属性进行修改，同时保留有利属性。为在海量图像中定位关键因素，首先利用 ANOVA 与随机森林回归筛选出 28 个与 CTR 显著相关的属性。随后，根据 CTR 差异显著的图像对比，指令微调提示模型以生成编辑建议，并进一步结合真实点击偏好对建议进行校正，因为来源图像的建议并非全部有益。\ \ 为解决直接偏好优化（DPO）可能出现的过拟合，ECC 引入 一致性偏好优化（CPO）：对语义等价的随机打乱建议施加一致性约束，提升偏好模型的泛化能力。\ \ 在大规模实验中，ECC 显著提升广告图像的 CTR，超越当前最先进模型。完整的数据流水线、属性提取与分析代码、以及构建的公开数据集将在论文接受后同步发布。\ \ 点评