Moggr 准吗？飘忽的分数和那道付费墙

先给结论：不准——至少不准到任何应该改变你看自己的程度。Moggr 给你一个数字，而真实用户反映重新上传同一张照片时它会变，然后把完整分数和「改进方案」锁在扫脸之后的付费墙后面，还要在上头再推付费「加成」。一个输入没变、分数却会动，又躲在墙后面卖的东西，不是测量，是漏斗。

下面我把 Moggr 到底是什么、数字为什么会飘、付费墙到底在干什么、以及你该看什么，一件件拆开。

等等——Moggr 和 Mogged 是一回事吗？

不是，而你会来这里，一半原因就是这个混淆。Moggr（有时写成 Mogger）是主打发型的 looksmax App：扫一张自拍、拿一个分数，主打卖点是打理外形——发型、发际线、能「衬你脸」的胡型。Mogged 则是另一个 PSL 打分社区，由一群人按等级表给你评级。名字读着像，产品对不上。

这篇评测说的是 Moggr 这个发型和外形 App。如果你点错了，Mogged 准吗那篇讲的是它。

提醒一句：核心的发型思路并不是胡扯。对的发型确实会改变一张脸给人的观感。问题出在 Moggr 在这之上搭的那些东西——那个数字、那种飘忽、那道付费墙。

Moggr 准吗？同一张自拍不该给出两个答案

有个测试能一锤定音。上传你的自拍，记下分数，再把完全相同的那个文件传一次。App Store 评价和 Reddit 帖子里的用户反映，数字回来时变了——不是天差地别，但够明显。一个输入固定、分数却会动的系统，是在自曝其短。

真正的测量是可重复的。同一个人上秤两次，显示的是同一个体重。当同一批像素回来时带着略微不同的数字，这个 App 不是在认真对待你——它在读一张图片，而重新上传会重新掷一遍压缩、内部随机性和细微的处理差异。（这种波动是用户反映的；你的体验可能不同。）

很多人看到这个，就得出结论说这 App 只是需要更稳定一点——好像一个每次都返回 71 的版本就终于可信了。它不会。一只坏掉的钟每天也准确两次。稳定意味着系统会重复自己；准确意味着答案是真的。Moggr 两样都缺：固定照片上它会飘，而且这个数字从一开始就没有对照过真实的人对你的反应去校准。关于各家 App 分数为什么会上下跳，更多见为什么面部打分 App 给的分数各不相同。

Moggr 真正测量的，是你的脸，还是你的照片？

是你的照片。这个区分就是整场游戏的核心。模型读的是一张扁平的 2D 图像，而一张静止自拍几乎丢掉了吸引力真正赖以运作的一切。稍微改一下输入，「分数」跟着照片走，而不是跟着你的脸走。

会改变你 Moggr 分数的	跟它几乎无关的
光线、角度、镜头、相机高度	你的骨相
重新上传时的图像压缩	你本人看上去多好接近
那一帧里的发型框出来的轮廓	你动态中的表情、你的声音、你的体态
模型内部的随机性	一个真实的女生在头一秒里怎么读你

陌生人锁定对一张脸的稳定判断大约只要 100 毫秒——但那个判断发生在一张房间里动着、有光、有表情的脸上，而不是一张定格画面（Willis & Todorov, 2006）。自拍是一个男人最糟糕的那一版：没有微表情、没有暖意、没有动态。Moggr 给这个最糟糕的静态版打分，再卖给你一套去修它的方案。

扫完自拍才弹的付费墙——到底在发生什么？

这是用户反映最多的一块。你上传，App 扫描，它先吊一下结果——然后完整分数、拆解、和那份「改进方案」全坐在订阅后面。在你知道价格之前，你已经把自己的脸交出去了。这个先后顺序不是巧合。

评价者还描述了叠在上头的付费「加成」——一些额外的付费功能，被包装成往上爬、或看到「更多」的途径。整个结构被设计成：一个被吊起来的低分带来的刺痛，恰好落在结账页面之前。这套完整套路我们在面部打分 App 的付费墙拆解里梳理过，更宽泛的版本见该不该相信面部打分 App。

注意这个挤压动作。App 飘得够多，你会忍不住重新上传去「核对」一下——这把钩子扎得更深——再把答案锁起来，于是唯一的出口就是付钱。主流报道里被引用的心理学专家反复指出，外貌打分类 App 可能会加重年轻用户的身体形象和体象障碍问题；一个被吊起来的低分加上一道付费墙，对一个青少年来说是个真正有风险的东西。

提醒一句：App 收费没问题——做产品是要花钱的。问题不在于「它收费」。问题在于：先收走你的自拍，再吊一个不可重复的数字，然后收钱才给你看。

关键数字

• 陌生人对一张脸形成稳定第一印象大约只要 100 毫秒，看更久也几乎不改变结论——但那个判断跑在一张活的、动着的脸上，不是一张定格自拍（Willis & Todorov, 2006）。
• 一项汇总了 919 项研究的元分析发现：人们对谁有吸引力的看法，比「情人眼里出西施」这句老话以为的要一致得多——而且有吸引力的脸会被白送上他们从没被测过的温暖和能力，这就是光环效应（Langlois et al., 2000）。
• 跨 37 种文化、约 1 万人的研究里，女性在长期伴侣身上排在外貌之上的特质是可靠——不是发际线，不是下颌（Buss, 1989）。
• 脸是沿两条快速的轴被读取的——看上去多可信、多强势——而好接近这件事住在表情里，一张中性自拍恰好把它抹掉了（Todorov）。
• 人们能从只有几秒的无声片段里预测出关于一个人惊人多的信息——一个真笑、自然的眼神接触、放松不紧绷的体态——这些在一张静止画面里全都不存在（Ambady & Rosenthal, 1992）。

那发型建议是不是就没用了？

不是——而这正是 Moggr 错得最少的地方。头发是关于你怎么落地的少数几个真正可控、杠杆又大的东西之一。一个合你脸型的剪法、一条收拾干净的发际线、一把框住而非跟你下颌打架的胡子：这些比多数「maxxing」执念都更管用。建议本身可以是靠谱的。

问题在包装。好的外形打理建议，不需要一个飘忽的 0–100 分数、一道付费墙、或者付费加成。同样的收益你可以免费拿到。男生如何让自己更有吸引力和softmaxxing 与 hardmaxxing 之争讲的就是这些可控杠杆——打理、合身、体态、表情——而不把它们打扮成一个精确的数字。

而那个数字，恰恰是最该不信的部分。你脸上并没有坐着一个等着被读出来的客观美感标量——连「平均脸」也只是一种倾向，不是一个固定分数（Little）。这一点我们在脸的黄金比例是真的吗和PAS 与客观美里拆开讲过。

吹捧或残酷——两个数字都是幻觉

有些 App 往高里吹（你是高阶的，只是世界还没发现）。有些社区往死里踩（你是低阶的，除非「飞升」否则没救）。Moggr 两样都干得出来，看它那一分钟正好给哪张照片打分。人们把吹捧和残酷当成对立面——它们是同一枚硬币的两面。

两者出自同一套坏掉的机器：一个狭窄的模板，被一个跟真实的人对你的反应毫无接触的系统打分，然后拿去变现。两者都不可重复。两者都换不来现实里的结果，因为你没法用一个从没在测量它的数字去改善一段关系。如果这分数把你掏空了，去读一个面部打分 App 说我丑——那种感受是真实的，但它背后的那套算法是错的算法。

提醒一句：这不是在说「外貌不重要」。它显然重要。而是说，重要的那种外貌，是情境里那张有光、动着、有表情的脸——不是某个 App 从一帧定格里抽出的扁平几何、或一群人排出的名次。

我们的做法有何不同

我们做 Real World Appeal，是因为诚实的那个版本更有用——也远没那么伤人。它不给你一个「客观美感」数字，而是从一个真实女生的视角，读你的被感知到的第一印象吸引力：你在头一秒里怎么落地，以及那几件能撬动它的可控的事。

• 上传之后没有付费墙。 你在做任何决定之前就看到结果——没有被吊起来的分数，没有加成。
• 这是第一印象评估，不是 PSL 等级。 我们不拿你去对一个西方脸模板排名。
• 如果 Moggr 给了你一个刺痛的数字， 记住那只是一个会在下一次给同一张照片打出不同分的系统，对一张定格照片的一次读取。那不是对你的判决。

更宽的套路：面部打分 App 真的有用吗讲整个品类的可重复性，为什么 AI 测不了吸引力解释那个核心局限，女生真正觉得有吸引力的是什么讲一张静止照片会漏掉的那些信号。

写在最后

Moggr 不准，至少不在你想要的那个意义上准。用户反映同一张自拍会返回不同的数字、完整结果锁在扫脸之后的付费墙后面、上头还叠着付费加成——一个穿着测量外衣的漏斗。底下那套发型建议本身可以是真正有用的；但裹在它外面的那个分数不可能有用，因为它读的是你的照片，不是你的脸，而且从一开始就没锚定到真实的人对你的反应上。想要一次诚实的评估，而不是一个被吊起来的数字？做一次免费评估——上传之后没有付费墙、没有加成、没有一个假装是真相的数字。

---

所引研究：Willis, J., & Todorov, A. (2006). First impressions: Making up your mind after a 100-ms exposure to a face. Psychological Science, 17(7), 592–598. Langlois, J. H., et al. (2000). Maxims or myths of beauty? A meta-analytic and theoretical review. Psychological Bulletin, 126(3), 390–423. Buss, D. M. (1989). Sex differences in human mate preferences. Behavioral and Brain Sciences, 12(1), 1–49. Ambady, N., & Rosenthal, R. (1992). Thin slices of expressive behavior as predictors of interpersonal consequences. Psychological Bulletin, 111(2), 256–274.