Umax 颜值评分全解析:分数怎么算的,又漏掉了什么

进度条跑完了。下颌线 71,颧骨 68,男性度 76,皮肤 62。然后是你眼睛真正锁死的那一个——总分——像一份你从没同意接受的判决,摆在屏幕正中央。

也许你已经付了订阅,也许你正卡在付费墙前犹豫。不管哪种,你想问的其实只有一个问题:这个数字到底测了什么——我的脸,还是我的照片?

先给直接答案:Umax 的颜值评分,是一个视觉模型对「一张照片」的读数——它的光线、它的角度、它的镜头畸变,以及能从这些像素里提取出的几何规律,再套上「下颌线」「男性度」这样的标签。它是一次带数字的照镜子,不是对「真人见到你会作何反应」的测量——静态扫描做不到后者,谁都做不到。

这句话前后两半都重要。下面把这套分数拆开:每个类目是什么、为什么会晃、天花板在哪。

Umax 的评分到底在测什么?

按 Umax 自己的 App Store 页面和宣传材料,它给男性度、皮肤质量、下颌线、颧骨和「未开发潜力」分别打分,再给一个上限 100 的总分。Fortune 的报道补充了运营细节:这款 App 部分由 OpenAI 的技术驱动,每周给用户重新打分,订阅约每周 3.99 美元,并附上「开始护肤」之类的建议。

把这份清单再读一遍,注意所有条目的共同点。男性度、下颌线、颧骨——全是从一帧静止画面估出来的几何;皮肤质量,是这台相机在这种光线下渲染出的纹理;「潜力」,是模型对可控项还有多少改善空间的猜测。整条链路里,没有任何环节观察过一个活人对你的反应。

说句公道话,分类目打分恰恰是这个产品最好的部分。皮肤子分数几周内就能对护肤流程有反应;一张结构化清单,好过对着镜子发呆不知从哪下手。作为打包好的「照镜子工具」,它是称职的。

把 Umax 的好处说满:把模糊的外貌焦虑变成有名字、可追踪的类目,是实打实的服务。问题不在清单,在于那个总分被误当成了什么。

关键数字

• 约每周 3.99 美元——Fortune 报道的 Umax 订阅价(2024 年中数据,现价可能不同),付费墙在你上传脸之后才落下。
• 超 700 万下载、月订阅收入约 50 万美元——创始人 Blake Anderson 在同一篇 Fortune 报道中透露的早期数据。这是大众市场产品,不是小众工具。
• 上限 100——Umax 的打分刻度,每周重跑一次(据 Fortune)。我们自己的测试刻意用了另一条轴(70–155,基于感知),就是为了不和它混淆。
• 约 100 毫秒——陌生人对一张脸形成第一印象判断的速度(Willis & Todorov, 2006)。Umax 看不到的那次判断,在扫描动画开始前就已经结束。
• 11 项元分析——Langlois 等(2000)的综述显示,人类评分者对「谁好看」的一致程度,远超「美是主观的」这句话给人的印象。脸确实携带信号;问题是 App 的数字有没有校准到这个信号上。

Umax 是怎么把自拍变成分数的?

机制上:模型先定位面部关键点,计算点与点之间的比例和角度,再读取纹理得出皮肤分,最后把整包特征映射到它从训练数据里学到的评分上。这是几乎所有打分 App 的诚实描述,也是为什么更深层的问题全行业共享——AI 颜值评分与现实之间的落差不是 Umax 的 bug,是这个品类的属性。

而大多数用户没被告知的是:**模型打分的对象是投影,不是实物。**你的脸是稳定的三维结构;照片是它在某一组特定条件下的平面渲染。头顶光在眉骨和下颌下方刻出的阴影,窗边光会全部抹掉;手机举在胸口高度会让下颌角显钝,略高于眼睛的机位又让它变利;自拍距离下,镜头畸变会把鼻子和中脸推大——同一副骨架,传感器上是不同的几何。

所以「下颌线 71」的真实含义是:*这台相机、这个角度、这种光线画出来的那条下颌线,得了 71。*App 悄悄把照片和脸画上了等号,你结果里所有让人困惑的地方,都从这个等号里来。

Photo by Maurício Mascaro on Pexels

补一句免得误读:这不等于分数是随机的。一张确实更清晰、光线更好的照片,分数就是会更好——这是真实的信息,只不过是关于照片的信息。

为什么同一张照片每次分数不一样?

因为对模型来说,同一张图的两次运行并不是同一个事件:重新上传可能让文件再压缩一次,这类系统输出时自带采样噪声,所以你什么都没变,数字也会晃。App Store 评论区和 looksmaxxing 社区里反复出现的抱怨正是这个——同一张自拍,不同的分。机制我们在Umax 准吗?同一张照片为什么分数不同里拆到了底。

这里有个陷阱:别得出「只要它稳定就可信」的结论。稳定和校准是两码事——一台坏掉的秤,每次读数都一样,每次都错。各家 App 对同一张脸互相打架,根子也在这里,我们在为什么打分 App 分数各不相同里横向对比过。

公平地讲:小幅波动没用户想的那么要紧。两分的晃动是噪声;但两张照片之间十五分的落差,是 App 在告诉你哪种拍摄条件更衬你——拿来挑约会软件的头像,这信息真有用。

静态几何分永远测不到什么?

测不到真正决定结果的东西:现场那一眼。Willis & Todorov(2006)证明,人看一张脸约 100 毫秒就形成了特质判断;Ambady & Rosenthal(1992)则证明,对一个人动态举止的「薄切片」式短暂观察,能预测他之后被如何评价。表情的时机、眼神接触、体态、社交距离下的打理程度——陌生人跑的是这套数据,一帧静止画面里几乎一点都没有。

我们希望你带走的心智模型,叫**「现场那一眼」(the Room Read)**:陌生人从你「动起来的脸」上,在一秒之内合成的综合判断——笑容来得多快、眼神稳不稳、开口之前你怎么占住自己的位置。Umax 给你的是镜子分;你在现实里的结果,由现场那一眼决定。两者的输入,根本不是同一批数据。

Umax 打分的对象(按其商店页)	决定第一印象的东西
一帧静止画面里的下颌线、颧骨几何	动起来的脸:表情时机、眼神接触、笑容前的半拍
这台相机渲染出的皮肤纹理	社交距离下的打理:发际线边缘、胡茬线、衣服合不合身
从像素比例推断的「男性度」	开口前的体态,你怎么占住空间
「未开发潜力」	这个月你真正动手改的那些可控项
一个上限 100 的总分	有没有迈过那道约 100 毫秒的门槛,让对方愿意给你接下来的 30 秒

最后一行就是我们对第一印象的核心判断:它是门槛,不是天梯。你不需要比谁的分数高,你需要迈过「对方保持开放」的那道槛——而迈过去靠的,远不止骨相几何。

也替几何说句话:它不是不重要。Langlois 等人的综述显示评分者对长相的判断高度一致,骨架结构确实参与每一次读取。我们的主张不是「脸不重要」,而是:静态扫描只测了一个输入,却把它报成了全部输出。

Umax 分数该信吗?信了之后该干嘛?

当照片反馈信,别当对脸的判决信。前一种用法,它有真实价值;后一种用法,它是一份按周续费的焦虑订阅。Umax 分数 vs 现实里我们跑过正面对比,规律很稳:分数紧跟拍摄条件,松跟现实反馈。

如果你打算继续用,让这个数字真的有含义:

1. **锁死拍摄条件。**同一扇窗的光、同样一臂距离、镜头齐眼高、面无表情。你控制不了的变量,都是会被你误读成命运的噪声。
2. **只看变化量,不看绝对值。**单独一个 64 说明不了什么;同条件下护肤八周从 64 到 69,才说明点什么。
3. **只对可控子项动手。**皮肤、打理、体脂对努力有反应;每周重扫下颌线,除了心情什么都不会变——骨头不挪窝。
4. **小幅波动当噪声。**数字动了两三分而你什么都没做,那就是什么都没发生。
5. **知道出口在哪。**iPhone 上:设置 → 点你的姓名 → 订阅 → Umax → 取消订阅。如果一个每周刷新的数字已经开始定你一天的心情,那就是该走出口的信号——Fortune 的报道里,心理学家针对年轻用户警告的正是这个循环。你的脸是拿来经营的资产,不是要还的债。

Photo by Mustafa ezz on Pexels

有没有诚实的办法,测 Umax 漏掉的那一半?

缺的那条轴是「被感知的读数」——这正是我们的免费第一印象测试想估的东西。它评估你的照片在陌生人眼里读起来如何,用 70–155 的感知轴(刻意避开 Umax 的刻度,因为测的根本不是同一样东西),免费,上传之后没有付费墙——Umax 流程里最该被批评的,就是那道墙。

把丑话说在自己身上,「诚实」才站得住:我们的测试同样读的是照片,静态图像的部分局限它一样继承;它也不是经过临床验证的量表。它只是多一个数据点——对准感知而不是几何,价格为零,所以你随时可以不理它。

结语

Umax 的颜值评分是一面做工不错的「带数字的镜子」:真实的计算机视觉、有用的子类目、对皮肤和打理确实能起督促作用的追踪——外加一个测的是照片、却暗示测的是脸的总分。它全程没有看到那约 100 毫秒的「现场那一眼」,而后者才决定陌生人怎么接收你。

要用就当镜子用:锁条件、看变化、只动可控项。想测另一条轴——测读取,不是量尺——就去诚实地测一次。

骨架定画框,读取定成败。跑一次免费第一印象测试,看看你的照片落在门槛的哪一边。

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. https://doi.org/10.1111/j.1467-9280.2006.01750.x
• Ambady, N., & Rosenthal, R. (1992). Thin slices of expressive behavior as predictors of interpersonal consequences: A meta-analysis. Psychological Bulletin, 111(2), 256–274. https://doi.org/10.1037/0033-2909.111.2.256
• 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. https://doi.org/10.1037/0033-2909.126.3.390