RateByFresh 评测：那个'客观评分'真的客观吗？

你跑完了第一次扫描。App 给了你一个数字，管它叫客观评分（objective rating），然后生成了一张 AI"理想版"的你的脸，让你看看升级后的样子就在那头等着。也许你挺动心。也许你正在搜"RateByFresh 准吗"，因为哪里不太对劲——重新上传一次分数就变了，或者你刚想多看点，付费墙就砸下来了。不管哪种，他们整套话术里有一个词在扛全部的重量，而它正是值得拆开看的那个。

那个词是"客观"。我们来测一测它。

关键数字

RateByFresh 的首次面部扫描免费；之后全跑在订阅加 token 系统上（你买 100 或 200 个 token 的包来继续扫）。
它把你分进七大类：face、hair、body、skin、color、dimorphism、fragrances——对一个号称给"单一客观读数"的 App 来说，这网撒得相当宽。
对一张脸的第一印象大约在 100 毫秒内形成（Willis & Todorov, 2006）——一个动态的、活的整体判断，任何静态"客观"数字都不是从这里来的。
一项涵盖 919 项研究的元分析发现，陌生人对吸引力的评分一致度高于"美是主观的"所暗示的（Langlois et al., 2000）——那是对真实面孔、在语境中的一致，不是 App 吐回来的一个小数。
RateByFresh 已于 2025 年 12 月 14 日从 Google Play 下架，目前仅 iOS 可用——在你围着它的分数建立一套日常之前，这是个值得掂量的稳定性信号。

谁做的 RateByFresh——以及这为什么重要

先从公司说起，因为它告诉你这产品是干嘛用的。RateByFresh 来自 OnPointFresh 团队——而 OnPointFresh 是先做 looksmaxxing 内容站攒起受众，再把那批流量导进 App 的。这就是一个内容营销漏斗，简单直白：写能在"怎么修我的下颌线"上排名的文章，聚起读者，在漏斗底部把扫描器卖给他们。

漏斗本身没什么阴险的——很多好产品都是这么被发现的。但它给"客观评分"这个说法换了个框。那个分不是一个测量实验室的中立输出。它是营销管道末端的转化事件——读者变用户、用户变订阅者的那一刻。一个被设计来让你一直扫下去的数字是带着任务的，而那个任务不是"真相"。

注意：内容漏斗不自动等于产品差，OnPointFresh 有些护理和护肤的文章确实还行。这里要说的更窄——当同一个团队既握着制造焦虑的内容、又握着收费的解药，"客观"二字就该被更狠地眯眼审视一下。

核心问题：你脸上并没有一个等着被读出的客观分

把这个说法照字面拿来。"客观评分"暗示存在一个真值——你实际的吸引力数值——而 App 把它从你照片里读出来，就像温度计读温度。这个模型从根上就错了，而且你不用任何设备就能证伪它。

把同一张脸传给两个不同的扫描器，你会得到两个不同的数字。我们在 Umax 上记录过这件事——同一张照片、同一个人，重新上传、跨 App，就是不同的分。如果你的脸有一个客观评分，每个诚实的仪器都该收敛到它上面，就像三个温度计对一场发烧的读数会一致。它们不会。它们散开。每个 App 的"客观"数字其实是那个 App 的模型、用那个 App 的数据训练、为那个 App 的留存调过的——一个私人意见，穿着测量的戏服。

而且这数字连在同一个 App 里都不稳。一个会随光线、角度、30cm 处广角前摄而变的分——包括重新上传——按定义就不是在测量你身上某个固定的属性。一个会变的数字读不出一个客观的常数。它量的是照片，而你的照片每呼吸一次就变一次。

注意：这不是"所有数字都没意义"。人对吸引力的共识确实高于主观派的说法（Langlois et al., 2000）。错的是从"真实面孔上存在广泛共识"跳到"你的照片里含着一个 App 能提取的客观分"。这是两个不同的命题，而第二个才是营销。

七大类，一个漏斗：RateByFresh 实际在做什么

走一遍流程。你选一种扫描——face、physique、hair 或 skin——上传一张照片，AI 返回一个分加改善建议，把你分进七大类：face、hair、body、skin、color、dimorphism、fragrances。看着挺全。也是一大片可以拿来卖的面积。

接着是把模型底牌亮出来的那一步：RateByFresh 生成一张 AI"理想脸"，让你"预览完美的自己"。坐下来想想那是什么。它不是对你的测量——它是另一个人的渲染图，把你的五官朝着某个算法心目中的"完美"磨过去。一张任何发型、任何护肤、任何健身周期都做不出的脸。"客观评分"告诉你你是个 6 分；理想脸图给你看一个陌生人，邀请你去追。一个喂焦虑，一个卖"把它填平"的幻想。

这就是引擎。不是测量——是动机。分数和那张梦中脸一起干活，让你一直扫，而（过了免费的第一扫之后）一直扫就意味着买 token。

注意：有些分类输出确实可执行——护肤和打理的建议可以很具体、值得做，体脂的方向也常常大致对。要批的是那个框架，不是每一条建议。一条有用的护肤提示，不会让那个头条分变得客观。

免费扫描、付费墙，和 token

该给的肯定要给：首次面部扫描免费，这比一些对手一上来就收费要厚道。但那是钩子，不是产品。第一扫之后，RateByFresh 跑在订阅加 token上——你买 100 或 200 的包来继续扫，而一条反复出现的用户吐槽正是这个：第一份结果出来就强制付费墙，token 相对它一次重扫返回的东西显得偏贵。

看清这个结构。免费扫描递给你一个低到能刺痛的数字，和一张高到让你想要的理想脸渲染图。然后墙立起来。你最有付费动机的那一刻，恰好是 App 刚刚制造出最多不满的那一刻——这不是定价的意外，这是设计。比一下锚点：Umax 大约 $3.99/周，差不多 $200/年买一个扫描器。token 只是给同一套经济学换了身衣服——按次偷看付费，而不是按周。

注意：为软件付费没问题，免费首扫也是个公平的试用。问题不在 RateByFresh 收费——在于这道付费墙被摆在那里，去转化免费扫描刚刚制造出的焦虑，换的还是一个并不在测量它所宣称之物的数字。

稳定性信号：从 Google Play 消失了

有一个事实你挥不走：RateByFresh 已于 2025 年 12 月 14 日从 Google Play 下架，目前仅 iOS 可用。我们不下断言为什么——商店下架有很多原因，从政策争议到合规缺口到开发者自己的选择都可能。但对一个你要围着它建立自我形象日常的工具来说，下架是个信号，不是噪音。

还有一个相关的小皱褶值得诚实点出来。早期，这个 App 据报对某些发质处理得很差——尤其是非裔卷发和紧密盘曲的发型读得更糟——开发者称为此重建了发型流程。这点要算他们的功劳，他们处理了。但注意它暴露了什么：一个会系统性误读一整类真实人类特征的模型，按定义就不是在返回一个"客观"值。它返回的是它训练数据里的空洞，被自信地贴上"真相"的标签。

注意：被批评后重建发型流程是对的做法，也有理由假设现在的版本更好了。要带走的不是"这一个 bug 就一票否决"——而是一个能犯下整类盲区的 App，没法诚实地把它任何一个输出叫作客观。

RateByFresh 够不到的那条轴

这是任何多一个分类、多一个 token 包都补不上的缺口。RateByFresh 给一张冻住的照片打分。而吸引力发生在一个会动的人身上。

一个女性对你的第一眼读数落在大约 100 毫秒（Willis & Todorov, 2006）——之后看得更久，多半只是强化那个瞬间印象，而不是推翻它。那个窗口不会跑一遍七大类审计。它读的是一个整体（gestalt），很大程度上由静态扫描结构上看不见的东西搭成：

**表情和眼睛。**Todorov 的研究显示，表情的微小变化会剧烈拉动被感知的温暖和可信——而温暖直接喂给吸引力。对一张中性照片打分，完全错过这块。
光环效应（Dion, Berscheid & Walster, 1972）：一张被读作温暖、开放的脸，会被白送它从没挣到的讨喜度——而一张"color"和"dimorphism"都"正确"却冷的脸，会被往反方向拽。
**性别特异的优先级。**跨 37 个文化，Buss（1989）发现女性对地位、稳定性、以及一个男人怎么把自己撑起来的权重，高于单纯的面部几何——这些，一个 dimorphism 子分一条都抓不到。

所以 RateByFresh 可以对你的"color"评分内部自洽，却几乎说不出你对将真正遇见的女性的作用。它给最不可动的那个输入打分，对动得最多的那些输入沉默。我们在 PSL 分数 vs 客观美里拆为什么一个数字从来就不是对的单位，在女性真正觉得有吸引力的是什么里讲那第一眼读数到底咬住什么。

注意：一张静态照片不是没用——脸确实带信号，人对脸也大体有共识（Langlois et al., 2000）。要说的是，一个扫描器量的是一个冻住的切片，却把它打扮成全部答案，对"真实的人是否被你吸引"毫无校准。

所以——RateByFresh 准吗

如果"准"意味着"它能可靠地从你脸上读出一个客观的吸引力数值"，那不准——因为那个数值压根不存在、没得读，而证据就是那种散开：一个重新上传就变、跟下一个 App 对不上的数字，从来就没在测量一个常数。免费首扫是个公平的试用，几条护肤和打理建议确实能用，重建发型流程也是对的。但那个头条承诺——客观——恰恰是它唯一交付不了的东西。

你的脸没有一个藏着的客观分，等着被第七个分类提取出来。它对人有一种作用——在十分之一秒里形成，跑在表情和温暖上，远比一张冻住的渲染图、或一张 AI 理想脸能装下的更可改变。

做一遍免费测试——没有 token 包，上传之后没有付费墙，也没有"满分 100"。我们做 Real World Appeal，是在一条扎在感知研究上的 70–155 轴上读感知吸引力，而不是一个营销漏斗的转化数字。想看为什么一个分数从来就是错的框，PSL 分数 vs 客观美是深入版，颜值打分 App 到底有没有用讲这个品类，Umax 同一张照片准吗把重新上传的问题摆出来给你看。

引用研究：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., Kalakanis, L., Rubenstein, A. J., Larson, A., Hallam, M., & Smoot, M. (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: Evolutionary hypotheses tested in 37 cultures. 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. RateByFresh 定价、分类结构与商店可用性细节出自 OnPointFresh / RateByFresh 公开资料与用户评测。