Pourquoi votre score looksmax change à chaque fois. Et pourquoi le nôtre non.

Vous n'imaginez rien

La plainte la plus courante sur les apps de looksmaxing, sur tous les sites d'avis et forums, est une variante de : "j'ai envoyé la même photo trois fois et j'ai eu un chiffre différent à chaque fois". Si un score change alors que rien n'a changé sur votre visage, l'app ne mesure rien - elle génère un chiffre qui sonne plausible.

Cela dépasse la simple fierté. Si votre référence est aléatoire, votre progression est impossible à mesurer. Un +4 après un mois de soins de la peau disciplinés pourrait n'être que les dés qui tombent différemment.

Pourquoi la plupart des scores IA dérivent

Trois raccourcis d'ingénierie en sont la cause. D'abord, la plupart des apps envoient votre photo à un modèle de langage avec un prompt vague ('notez ce visage de 1 à 10') et aucun critère de notation fixe, donc le modèle improvise un jugement différent à chaque fois. Ensuite, elles tournent avec l'aléatoire d'échantillonnage activé - les mêmes réglages qui font qu'un chatbot formule les choses différemment à chaque conversation font qu'un score tombe différemment à chaque envoi. Enfin, elles retraitent votre image de façon incohérente : recadrages différents, compression différente, entrées différentes.

Ce qu'il faut pour rendre un score reproductible

Nous avons construit looksmaxing.fit autour d'une seule promesse : même photo, même score. Cinq mécanismes rendent cela vrai. (1) Prétraitement déterministe : chaque envoi est redimensionné et normalisé de la même façon, donc le modèle voit une entrée identique pour des photos identiques. (2) Une grille ancrée et versionnée : le modèle note selon des définitions de bande fixes et écrites pour chaque sous-facteur - pas au feeling - et chaque score est associé à la version de grille qui l'a produit. (3) Nous ne supprimons pas l'aléatoire d'échantillonnage propre du modèle - nous ne le contrôlons pas - mais nous n'en avons pas besoin : la stabilité du score vient de la grille ancrée et du mécanisme suivant. (4) Plusieurs passages de notation indépendants dont on prend la médiane - et davantage de passages automatiquement en cas de désaccord - de sorte que le bruit résiduel du modèle s'annule plutôt que d'être éliminé à la source. (5) C'est l'app qui fait le calcul, pas le modèle : le modèle ne note que seize sous-facteurs nommés, et vos scores par trait et votre total sont calculés à partir d'eux par une formule pondérée publiée. Le chiffre principal est de l'arithmétique sur ces sous-scores, jamais une valeur improvisée par le modèle - exactement le mode de défaillance de dérive décrit plus haut.

Quand nous changeons quoi que ce soit à la grille ou au modèle, le numéro de version change, et nous revalidons la cohérence sur un ensemble fixe de photos avant la mise en production. Vos anciens scores restent comparables aux nouveaux, ou nous vous disons qu'ils ne le sont pas.

Pourquoi c'est tout le produit

Un score cohérent est ce qui rend le reste significatif. Votre protocole de 90 jours cible vos traits les moins bien notés - cela ne fonctionne que si ces scores sont un vrai signal. Votre rescan mensuel montre un écart - cela ne compte que si cet écart est réel. Les apps aux scores aléatoires ne peuvent vous vendre que le premier scan. Nous pouvons vous montrer le second en train de bouger.