PrettyScale 准不准？飘忽的分数和一个残忍的比例

PrettyScale 从你上传的一张照片里测出面部对称度和黄金比例几何，然后丢给你一个百分数。它准吗？如果你想知道的是「真人觉得你有多好看」——不准。用户反映，同一张脸在几乎一样的两张照片上能打出天差地别的分，它底层的黄金比例前提并不是经过验证的科学，而且这个工具本身就会警告你：如果自卑就别用。最后这条细节，几乎已经把你需要知道的都说完了。

PrettyScale 准不准？一句话诚实版

PrettyScale 在一件很窄的事上还算稳定：估算你喂给它的那张具体照片的几何——在那一帧里，你脸的两半有多对称，比例对着某个固定的「理想」比值差多少。作为对那张被压扁的图像的读数，它的输出确实在做点事。

它测不准的，恰恰是你来找它想搞清楚的那件事：别人是不是觉得你有吸引力。这是两个不同的问题，而这个工具悄悄把第一个换成了第二个。它返回一个百分数，那个数感觉像是在给你下判决——你的脸、你的恋爱、你的价值。它不是。它是在给一张照片的对称度下判决，却打扮成给一个人下判决的样子。

最清楚的证据藏在用户吐槽里。在 Reddit 的帖子里，有人描述自己上传两张几乎一样的照片——同一天、同样的光、头偏了一度——结果数字摇摆得吓人，一张落在九十多，另一张刚过五十。一台对同样的输入给出两个答案的仪器，根本不是在测那个输入。它是在对噪声做反应。

补一句：对称和比例并非毫无意义。骨相是真实的，它确实参与到一张脸怎么被读取。错的是把一个几何切片当成全部答案。

PrettyScale 为什么对同一张脸打分差这么多？

因为它打的是照片的分，不是你的——而照片很脆弱。抬一下下巴、挪一下光、转几度，对称度的计算就变了，哪怕你的脸根本没变。工具把这些相机产生的伪影当成了真实差异，于是百分数就开始乱跳。

想想一台正常工作的仪器是什么样：对同样的东西给同样的读数。一台体重秤要是在同一分钟里先闪 170 再闪 184,那它不是在读你的体重——它坏了。当一个测脸工具对只差一个角度的两张照片分别给你 53% 和 95%,这种摆动不是关于你脸的信息。它是工具的自供状。

对称度打分尤其脆。它把你脸的一半镜像到另一半上去比，所以对头部旋转、不均匀的光线、相机自己认定的中线位置都极度敏感。这些没有一样是你的吸引力在变。我们在为什么测脸 App 给的分数各不相同里把整个品类的这个问题都挖了一遍。

补一句：一张完全正脸、光照均匀、表情中性的照片，会把摆动幅度收窄。但「我得控制成棚拍条件才能拿到一个稳定的数字」这件事本身就是破绽——这个分讲的是照片，不是人。

PrettyScale 为什么会警告你别用它？

因为这个工具本身就挂着一条免责声明：这个分数可能会伤人。它公开提醒，大意是如果你自卑就别开始——一个测脸工具，在劝最可能受伤的那群人离开。这条免责声明让 PrettyScale 跟同行不一样，只是不是它想要的那种不一样。再读一遍。

得承认它的诚实是大多数对手做不到的。用户普遍反映，像 Umax、LooksMax AI 这类 App 倾向于返回讨喜、让你上瘾的高分，根本没有这种警告。但对一个伤害诚实，跟消除它不是一回事。一张警告标签承认了产品会伤人——它并没有让伤口对任何一个划过警告、照样上传的人变小一点。

而它接着给出的那个数字，可能砸得很重。输出把你框成离「完美」对称和比例的一个百分数——一段亏空,一段离理想的距离。对一个本来就焦虑的人来说,这可能被读成对他早已相信的最坏念头的数学确认。警告和扎心是同一枚硬币的两面:免责声明承认这个分会伤人,而那个刺耳的数字照样端了上来。如果你本来就情绪低落,这个就跳过吧。

关键数字

• 陌生人对一张脸的吸引力判断，大约在 100 毫秒内就稳定下来，看得再久也几乎不会改变（Willis & Todorov, 2006）。
• 一项大型元分析发现，人们对「谁有吸引力」的共识，比「情人眼里出西施」这句老话所说的要高——而且有吸引力的人会被默认拥有他们从没被测过的温暖与能力（Langlois et al., 2000）。
• 跨 37 种文化,女性挑选长期伴侣时,可靠和善良排得很靠前——而不是面部几何（Buss, 1989）。
• 用户反映最多的 PrettyScale 问题就是分数不稳定——同一张脸在几乎一样的照片上产出差很多的百分数,这是仪器的属性,不是脸的属性。
• 一张静照几乎抓不到亲和力、动态表情、修饰、姿态、你怎么动——而这些才是第一秒里大部分起作用的东西。

黄金比例和对称这个前提是真科学吗？

大体上不是。PrettyScale 立在两个想法上——理想的脸符合黄金比例（1.618）,以及越对称就越美。两个听起来都很严谨。可都撑不起那个百分数所暗示的分量。

黄金比例这个说法更弱。「漂亮的脸符合 1.618」这个观念，是事后硬套到脸上的审美主张，不是一个经过验证、能预测真人觉得谁好看的指标。只要你把特征点取得松一点，几乎任何一张脸都能画出这个比例。我们在脸的黄金比例是真的吗里把它拆开了。

对称背后的依据稍微多一点——它是一条跟吸引力弱相关的线索，可能是一个微弱的健康信号（平均度与对称在 Little 的研究里被探讨过）。但从「在某个数据集里有弱相关」到「一个定义你这张脸的百分数」,这中间的鸿沟大得惊人。几乎每一张真实的脸都略微不对称,包括所有人都觉得惊艳的那些脸。而且人们不会刻意去读对称度——他们读的是一整张活动的脸。把一个对称度分数当成你的吸引力,等于把一个安静的变量读成了整句话。更多见面部对称等于吸引力吗。

补一句：真实的跨文化规律确实存在——对称、干净的皮肤、健康的信号，几乎在哪儿都讨喜。错不在说存在普遍偏好。错在把一个宽泛的人类偏好坍缩成一个比例，再拿它去给每个人打分。

PrettyScale vs 真实生活：它们为什么对不上

这才是关键的那道缝，它由一张对称度照片装不下的所有东西构成。下面是两边各自真正在称量什么：

决定那一眼读数的东西	PrettyScale（一张静照）	一个真人，第一秒
面部对称 / 比例	权重很重	一条安静的弱线索
亲和力（温暖 vs 戒备的眼神）	看不见	瞬间读出
动态表情、一个真笑	被剥掉了	第一印象的大头
修饰、姿态、你怎么动	隐形	一眼可见
在几乎一样的照片间是否稳定	不——分数乱跳	是——同一个人，同样的读数

普林斯顿的 Willis 和 Todorov 把人脸在受试者面前只放了十分之一秒。那些快速判断——包括吸引力——给更多时间也几乎没变。但那个判断是用什么搭起来的，不是「计算面部对称度」。Todorov 更广的研究表明，脸是沿两条快速轴被读取的：一张脸看起来有多可信,有多强势。一道放松的眉、一双没在防备的眼、一个笑的结构暗示——这种亲和力给一张脸的加分，是任何对称度百分比都解释不了的。

这恰恰是一个对称度工具看不见的维度。你的眼神是温暖还是戒备。你看起来好不好搭话。工具想要的那张平、那张中性的照片，把第一秒真正运转所靠的那个东西剥掉了。Ambady 和 Rosenthal 的「薄切片」研究发现，仅凭几秒钟的无声片段，人们就能对一个人预测出惊人多的东西——一个真笑、一声轻松的笑、一次对上的眼神。这些没有一样住在一张被打了对称度分的静帧里。

而 Langlois 的元分析补上了最后一锤：有吸引力的人在开口之前就被默认拥有温暖和能力——这就是 Dion 在 1972 年记录的「美即好」光环。吸引力是一个真人对一整个活动着的人做出的一连串归因，而触发它的，远不止一张脸两半之间的那个角度。这正是我们在感知吸引力 vs 客观美里拆的那个陷阱：你的脸上并没有一个等着被读出来的、唯一的「客观美」数字。

补一句：这不是「长相不重要」。它当然重要。重要的是那张被光照亮的、活动的、有表情的、置于情境里的脸——而不是某个工具单独拎出来的那块压扁的几何。

怎样更温柔地看待你拿到的那个百分数？

如果 PrettyScale 给了你一个低分，砸得很疼，慢慢读这一段。一张照片测出的对称度百分数，对着一个并非经过验证的吸引力预测比例去评分——它不是对你价值、你未来、或别人真实感受到的你的测量。工具自己也这么说过，它劝焦虑的人离开。如果一个数字让你陷进去了，那你算的本来就是一道错的算式。

接下来是让人松一口气的部分。让这个工具没用的那种不稳定，同时也证明了你没被卡死。一张脸在两张照片间能打 53% 和 95%,它不是两张脸——它是一张脸,它的读数取决于光、角度、表情和取景。这些都是可控的东西。真正的改善就活在这里,而一个对称度分数,这些它一样都看不见。如果测脸工具已经把你磨得很难受,怎么戒掉 looksmaxxing 论坛和测脸 App 会让人更不安吗值得你花点时间读。

有用的那个问题，从来不是「我的对称度是多少」。而是「别人在第一秒里到底看到了什么，我又能改什么」。这正是这份免费测试在回答的——一份从真人视角出发的、被感知的第一印象解读，上传后没有付费墙，也没有一个残忍的数字假装在下判决。它告诉你，哪一根可控的杠杆能把你撬动得最多。

写在最后

PrettyScale 作为对你吸引力的测量并不准，而它自己的警告标签半承认了这一点。分数在几乎一样的照片间不稳定，黄金比例前提不是经过验证的科学，对称只是一条人们不会刻意去读的弱线索。它看不见的那些——亲和力、表情、动态、一个温暖的第一印象触发的光环——才是决定你怎么落地的大头。别把一个百分数当判决。把它当成一个信号：你一直在量错的东西。

接着可以读：为什么 AI 测不出吸引力、测脸 App 真的有用吗、PinkMirror 准不准——另一个热门工具里同样那套对称加比例的路数,如果你想把这个问题问得更直接,还有我有吸引力吗测试。

---

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. Buss, D. M. (1989). Sex differences in human mate preferences. Behavioral and Brain Sciences, 12(1), 1–49. Dion, K., Berscheid, E., & Walster, E. (1972). What is beautiful is good. Journal of Personality and Social Psychology, 24(3), 285–290. Ambady, N., & Rosenthal, R. (1992). Thin slices of expressive behavior as predictors of interpersonal consequences. Psychological Bulletin, 111(2), 256–274.