룩스맥싱 점수가 매번 바뀌는 이유. 그리고 저희는 그렇지 않은 이유.

착각이 아닙니다

모든 리뷰 사이트와 포럼에서 룩스맥싱 앱에 대해 가장 흔한 불만은 이런 식입니다: "같은 사진을 세 번 제출했는데 매번 다른 숫자를 받았어요." 얼굴에 아무 변화가 없는데 점수가 바뀐다면, 그 앱은 아무것도 측정하고 있지 않은 것입니다 - 그럴듯하게 들리는 숫자를 생성하고 있을 뿐입니다.

이는 자존심 문제를 넘어섭니다. 기준선이 무작위라면 발전을 측정할 수 없습니다. 한 달간 꾸준한 스킨케어 후의 +4는 단지 주사위가 다르게 굴러간 것일 수 있습니다.

대부분의 AI 점수가 흔들리는 이유

세 가지 엔지니어링 지름길이 원인입니다. 첫째, 대부분의 앱은 모호한 프롬프트('이 얼굴을 1-10점으로 평가해줘')와 고정된 채점 기준 없이 사진을 언어 모델에 보내므로, 모델은 매번 다른 판단을 즉흥적으로 만들어냅니다. 둘째, 샘플링 무작위성을 켠 채로 실행합니다 - 챗봇이 대화마다 다르게 말하게 만드는 것과 같은 설정이 업로드마다 점수를 다르게 만듭니다. 셋째, 이미지를 일관되지 않게 재처리합니다: 다른 크롭, 다른 압축, 다른 입력값입니다.

점수를 반복 가능하게 만드는 데 필요한 것

저희는 looksmaxing.fit을 하나의 약속 - 같은 사진, 같은 점수 - 을 중심으로 만들었습니다. 다섯 가지 메커니즘이 이를 사실로 만듭니다. (1) 결정론적 전처리: 모든 업로드는 같은 방식으로 크기 조정 및 정규화되어, 모델이 동일한 사진에 대해 동일한 입력값을 보게 됩니다. (2) 고정되고 버전 관리되는 채점 기준: 모델은 각 하위 요소에 대해 고정된 문서화된 등급 정의에 따라 채점합니다 - 느낌이 아닙니다 - 그리고 모든 점수에는 이를 산출한 채점 기준 버전이 기록됩니다. (3) 저희는 모델 자체의 샘플링 무작위성을 억제하지 않습니다 - 그건 통제할 수 없는 영역이니까요 - 하지만 그럴 필요가 없습니다: 점수 안정성은 고정된 채점 기준과 다음 메커니즘에서 나옵니다. (4) 중앙값을 취하는 여러 번의 독립적인 채점 측정 - 그리고 불일치할 경우 자동으로 더 많이 측정합니다 - 그래서 남은 모델 노이즈가 원천에서 제거되기보다는 상쇄됩니다. (5) 계산은 모델이 아니라 앱이 합니다: 모델은 16개의 명명된 하위 요소만 채점하고, 항목별 점수와 종합 점수는 공개된 가중치 공식으로 그로부터 계산됩니다. 핵심 숫자는 그 하위 점수들에 대한 산술 계산이며, 모델이 즉흥적으로 만든 값이 절대 아닙니다 - 이것이 바로 위에서 설명한 흔들림 실패 모드를 막는 방법입니다.

채점 기준이나 모델에 대해 무엇이든 변경할 때는 버전 번호가 바뀌며, 출시 전에 고정된 사진 세트로 일관성을 재검증합니다. 이전 점수는 새 점수와 계속 비교 가능하거나, 그렇지 않다면 저희가 알려드립니다.

이것이 제품 전체인 이유

일관된 점수야말로 나머지 모든 것을 의미 있게 만듭니다. 90일 프로토콜은 가장 낮은 점수의 특징을 목표로 합니다 - 이는 그 점수가 진짜 신호일 때만 효과가 있습니다. 월간 재스캔은 변화량을 보여줍니다 - 이는 그 변화가 진짜일 때만 의미가 있습니다. 무작위 점수를 주는 앱들은 첫 스캔만 팔 수 있습니다. 저희는 두 번째 스캔이 움직이는 것을 보여드릴 수 있습니다.