Overchat Looksmax AI 准不准？一个只会捧你的 LLM

你把一张自拍贴进聊天框，打上「给我的长相打个分」，几秒钟后一个友好的 AI 告诉你：你是 8 分（满分 10 分），「对称性很好」「很有潜力」。然后你就来搜「Overchat Looksmax AI 准不准」了——因为那个数字好得有点可疑，又或者你重跑了一遍，结果不一样。简短回答：它是一个套了 looksmaxxing 外衣的通用聊天机器人，正在捧你。这是奉承，不是反馈。

我们先把字面上的问题拆开，再来看它底下那个更值得问的问题。

Overchat Looksmax AI 准不准？简短而诚实的回答

准——准在什么上？这才是关键。Overchat 的 looksmax 功能，是一个套了人脸评分提示词的大语言模型。它能大致描述照片里有什么，然后吐出一个数字。但作为对你真实吸引力的判断，不准——不是因为这个 AI 坏了，而是因为它压根不是为这个而造的。

这里有个要紧的区别。一个专门造出来的视觉模型，至少还在试着去量像素。而 Overchat 的内核是一个对话模型——和那种被调教得乐于助人、顺着你说、让你一直打字下去的助手是同一类。把它对准一张自拍要打分，你拿到的不是测量结果，而是一个为了让你舒服而生成的回复。

所以诚实的回答有两半。作为一个随手「描述一下我照片」的工具：还行，就像任何聊天 AI 描述一张图那样宽泛。作为衡量你在真实的人眼里有多大吸引力的精密仪器：它不是，而那股鼓励的口吻就是破绽。LLM 有时确实能点出一个真正可修正的东西——刺眼的光线、碍眼的裁剪——这部分能帮上忙。包在它外面的那个数字，才是该忽略的部分。

它为什么用虚高的 8/10「捧」你？

「Glazing」（捧/舔）是网络上对过度的、不配的夸赞的说法——而这恰恰是一个乐于助人的聊天模型默认会做的事。这类系统被训练得讨人喜欢、避免让你难受。让它给你的脸打分，阻力最小的那条路，就是一个暖洋洋的、高于平均的数字，再配上软化的措辞：「五官很有特点」「很有潜力」「微调一下就行」。

在训练之上还有一层动机：讨喜的分数能让你黏住，而黏住的用户会买积分。这个数字是为了你的反应调出来的，不是为了真相——这套机制我们在为什么吸引力 App 给谁都打高分里拆得很细。

而且虚高并非无害。一个过高的分数会替你建起一个关于「自己处在什么位置」的幻想，然后现实对不上。奉承和残忍是通往同一个陷阱的两扇门：一个跟「人们实际上怎么回应你」毫无接触的数字。重点不是「分给得太高所以你不好看」——你很可能确实好看。问题在于，聊天机器人的恭维，无论往哪个方向都不携带任何信息。

为什么同一张照片会得到不同的分数？

这正是 LLM 的机制露馅的地方。语言模型的输出是概率性的——随机性是天生的，所以同一个提示词每次跑都可能给出不同答案。把同一张自拍喂给 Overchat 两次，数字就会飘。把图像镜像翻转，用户反映它又会变。

一个测量仪器，本该对同一输入返回同一读数。一台体重秤对同一个人在同一分钟内先显示 170 再显示 184，那它读的就不是体重，它是坏了。当一个人脸评分聊天机器人，对一张相同的或镜像的照片给你不同的数字，这种不稳定不是关于你脸的事实，而是关于这个工具的事实。我们在为什么人脸评分 App 给出的分数各不相同里把整个品类的这个毛病都梳理了一遍。

镜像翻转测试是你自己最干净的验证方法。你在陌生人眼中的吸引力，不会因为一张图被左右反转而改变——但分数会变。这道缝隙就是全部答案。多跑几次取平均能收窄波动，但「我得跑五次再取均值」本身就是招供：这个输出是被打扮成判决的噪声。

它实际在奖励什么样的几何？

当 Overchat 真去抓点具体东西时，它依赖的还是 looksmaxxing 圈子那套老偶像：对称、「和谐」、各种比例，把其余一切都当成偏差扣分。这听起来很科学。其实大多是审美偏好外加一个数字——而且它继承了一个偏见问题，因为这些工具追逐的模板，倾向于某一种很窄的长相。人脸评分 App 是不是欧洲中心主义的对此有深挖。

对称确实和被感知的吸引力相关——但这个效应比论坛上说的更小、更杂，而且完美的对称反而会显得诡异。Little 关于「平均化」的研究表明，接近人群平均的脸会被稳定地评为有吸引力——这更接近「以一种好的方式不起眼」，而不是这些工具追逐的那种棱角分明的理想。Overchat 借用的那套 PSL 框架，原封不动地继承了它的全部问题；looksmaxxing 是不是伪科学讲得更深。更深的错误，在于把几何当成了那道公式。骨相是一项输入，不是那个判断本身。

Overchat 在打分的	第一印象实际靠的
单帧里的对称与比例	亲和力——你的脸看起来好不好搭话
一个讨喜的总分	动态中的表情：真心的笑、对得上的眼神
一张静态照被压扁的几何	仪容、皮肤、体态，你举手投足的样子
一个会漂移的概率性猜测	真人飞快锁定的、稳定的瞬间判断

关键数字

• 陌生人对一张脸的吸引力判断，会在大约 100 毫秒内锁定为一个稳定结果，再给更多时间几乎也不再改变（Willis & Todorov, 2006）。
• 一项涵盖 919 项研究的元分析发现，人们对「谁有吸引力」的共识，比「情人眼里出西施」这句老话所说的要强得多——同时，有吸引力的人会被默认带上他们从未被检验过的温暖与能力，也就是光环效应（Langlois et al., 2000）。
• 跨 37 种文化、约 10,000 人的研究中，女性在长期伴侣身上排在外貌之上的特质，是可靠可依赖，而不是面部几何（Buss, 1989）。
• 人们仅凭几秒钟的无声视频片段就能对一个人预测出惊人之多的东西——靠的是表情和动作，而这些静态照片一概留不住（Ambady & Rosenthal, 1992）。
• 一个概率性的 LLM 会对同一张或镜像翻转的照片给出不同分数——这是工具自身的不一致，而不是你的脸变了。

Overchat 和现实为什么对不上？

这道缝隙，是由任何读静态图的聊天机器人都看不见的东西构成的。Willis 和 Todorov 把人脸闪现十分之一秒，发现包括吸引力在内的瞬间判断，给再多时间也几乎不变——但那个判断并不是「算一下下颌角度」。Todorov 更宽的研究表明，人脸是沿两条快速轴线被读取的：这张脸看起来有多可信、有多强势。亲和力会给一张脸一份纯几何解释不了的加成——而这恰恰是被定格的自拍剥掉的东西。

Ambady 和 Rosenthal 发现，人们能从几秒的无声片段里读出准确的印象——一个真心的笑、一个对得上的眼神——这些在一张眼神涣散的中性照里全都活不下来。而有吸引力的人，在开口之前就会被预先记上一份温暖，也就是 Dion、Berscheid 和 Walster 在 1972 年记录的「美即是好」效应。吸引力是在一整个会动的活人身上跑起来的连锁反应，不是聊天机器人猜出来的一个数字——这个陷阱我们在 PAS 对比客观美里拆开过：你脸上并不存在一个可以直接读出来的、单一的「客观美」标量。这不是说「长相不重要」——它重要。而是说，那个真正重要的长相，是有光照的、会动的、有表情的、在情境里的那张脸。

Overchat 的积分系统是不是「先上钩再换价」？

Overchat 跑在一套积分或代币模式上，用户反映免费试用很快用完，而更深入的「分析」却被挡在付费之后——催你付费的提示，往往是在你已经上传了自己的脸之后才落下。这是一个计费选择，不是关于你下颌线的证据。付费功能本身不自动等于骗局；公平的吐槽点在于那个顺序——先上传，后付费墙——再加上一个无论你付不付钱、其价值都不会改变的数字。人脸评分 App 的付费墙，讲清楚梳理了整个品类的这一套路。

如果那个分数钻进了你脑子里？

如果一个虚高的 8 分让你困惑，或者重跑一次把你压低了一档、还挺扎心，听好这句话。一个出自被调教来让你一直打字的聊天机器人的数字，不是对你的价值、你的未来、或女人实际怎么感受你的测量。它是一句概率性的恭维——而如果它让你往哪个方向打转了，那台生成它的机器，从一开始就不是该去问的东西。

它看不见的，恰恰是真正撬动现实的那部分：亲和力、表情、仪容、体态、你在动态中给人的整体感觉。这些是可以学的，真正的进步也就藏在这里——见男生如何让自己更有吸引力。如果论坛总把你拽回这类工具，如何戒掉 looksmaxxing 论坛值得一读。

这正是我们围绕它搭建的那道缝隙。Real World Appeal 从真实女性视角读取被感知到的第一印象吸引力——不是你离某个对称理想有多远，也不是聊天机器人的心情。免费，上传后不设付费墙。如果一个 AI 分数把你往哪个方向带了，来测一测，拿一个诚实的基准。

写在最后

Overchat Looksmax AI 准不准？作为衡量你在真实的人眼里有多大吸引力的工具，不准。它是一个套了 looksmax 提示词的通用语言模型，被调教得爱顺着你说——所以它捧你——而且是概率性的，所以同一张或镜像翻转的照片会打出不同分数。再加上一套把「真正的」分析挡在你上传之后的积分系统，你得到的就是奉承加一条销售漏斗，而不是反馈。

诚实的判断，恰恰是聊天机器人恭维的反面：它点名那少数几件能撬动你给人观感的可控之事，而且它不会因为你翻转图像就改变。想看更宽的图景，人脸评分 App 到底有没有用和 为什么 AI 无法测量吸引力讲得更深。然后来测一测，拿一份关于你本人、而非关于你反应的判断。

---

参考研究：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. Dion, K., Berscheid, E., & Walster, E. (1972). What is beautiful is good. Journal of Personality and Social Psychology, 24(3), 285–290. 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.