Các công cụ tìm bằng ảnh không phải những bản hiện thực cạnh tranh nhau của cùng một ý tưởng. Chúng thuộc hai họ trả lời hai câu hỏi khác nhau, và chọn nhầm họ là cầm chắc thất bại, bất kể bạn chọn sản phẩm nào bên trong họ đó.

Họ thứ nhất hỏi "tấm ảnh này còn xuất hiện ở đâu nữa?" Họ thứ hai hỏi "khuôn mặt này là của ai?" Nếu trong tay bạn là một ảnh chụp màn hình từ trình phát video, chỉ câu hỏi thứ hai mới có lời đáp.

Khác biệt thật sự giữa hai họ này là gì?

Loại đối khớp gần trùng dựng một dấu vân tay của cả tấm ảnh rồi đi tìm những dấu vân tay trùng khớp trong khối dữ liệu thu thập từ web. Cỗ máy vector khuôn mặt thì định vị một khuôn mặt, chuẩn hóa nó, mã hóa nó thành những con số, rồi so những con số ấy với một chỉ mục khuôn mặt.

Đối khớp gần trùng Đối khớp vector khuôn mặt
Câu hỏi cốt lõi Ảnh này xuất hiện ở đâu? Khuôn mặt này của ai?
Đơn vị đem so Dấu vân tay của cả tấm ảnh Khuôn mặt đã căn chỉnh → vector số
Có cần đúng tấm ảnh đó tồn tại trên mạng không Có Không
Cắt sát vào khuôn mặt Có hại — làm mất tín hiệu Có lợi — đó chính là đầu vào
Khác tư thế, khác ánh sáng, khác năm Thường thất bại Được thiết kế để sống sót qua đó
Chạy được với khung hình bạn tự chụp Không Có
Kiểu thất bại điển hình Trả về ảnh kho chẳng liên quan Trả về người thật với điểm số thấp

Hàng quyết định mọi thứ đối với khung hình video là hàng thứ ba. Dừng trình phát rồi chụp màn hình là bạn vừa tạo ra một tấm ảnh chưa từng tồn tại trên web dưới dạng một tệp. Không có bản sao nào để tìm, nên đối khớp gần trùng chẳng có gì để làm việc — đây là một giới hạn cấu trúc, không phải một khoảng cách về chất lượng.

Mỗi công cụ lớn thật ra làm gì?

Nhóm theo hành vi thay vì theo thương hiệu là thấy ngay nên chọn cái nào.

Công cụ Họ Nó khớp cái gì Nó gãy ở đâu với khung hình video
Google Images / Lens Gần trùng + tương đồng thị giác Cả tấm ảnh, đối chiếu dữ liệu thu thập của Google Các trang người lớn phần lớn vắng mặt trong dữ liệu thu thập và bị SafeSearch chặn bớt
Bing Visual Search Gần trùng + tìm theo vùng Cả tấm ảnh hoặc một vùng được chọn Vẫn đúng vấn đề độ phủ dữ liệu thu thập với các danh mục người lớn
TinEye Gần trùng nghiêm ngặt Bản sao y hệt và bản đã chỉnh của cùng một tệp Nó nói thẳng là công cụ tìm bản sao; một khung hình mới tinh thì không có bản sao nào
Yandex Images Gần trùng + tương đồng thị giác rất mạnh Cả tấm ảnh, với cách xếp hạng tương đồng lỏng hơn Hay trả về những người lạ trông giống, đọc lên thì tưởng là khớp nhưng không phải
Các công cụ web "tìm khuôn mặt" nói chung Vector khuôn mặt Khuôn mặt lập chỉ mục từ web mở Chỉ mục dựng từ ảnh web mở và mạng xã hội, không phải từ danh mục người lớn
Tìm khuôn mặt trên chỉ mục người lớn Vector khuôn mặt Khuôn mặt lập chỉ mục từ bìa và ảnh tĩnh phim người lớn Chỉ giới hạn trong những gì các nguồn ấy đã công bố

Yandex đáng được cảnh báo riêng. Cách xếp hạng tương đồng thị giác của nó lỏng tới mức trả về cả những người chỉ trông giống — cùng kiểu tóc, cùng tư thế, cùng bảng màu. Người dùng đọc đó là nhận diện. Không phải; không có gì trong dây chuyền ấy đang đo danh tính cả.

Vì sao chỉ mục quan trọng hơn cỗ máy?

Vì truy hồi chỉ trả về được những gì đã lập chỉ mục, và không thuật toán nào bù được cho tư liệu vắng mặt.

Một cỗ máy vector khuôn mặt được huấn luyện ở mức tốt nhất hiện có, nhưng chĩa vào một chỉ mục toàn ảnh chụp từ web mở, sẽ không tìm ra một diễn viên phim người lớn có ảnh chỉ nằm trong những danh mục mà chỉ mục ấy chưa bao giờ thu thập. Phần kỹ thuật chẳng ăn nhập gì tới kết quả.

Chỉ mục của chúng tôi dựng riêng trên tư liệu này: 241,792 khuôn mặt từ bìa và ảnh tĩnh phim người lớn trải trên 106 trang, với 2,333 khuôn mặt gắn được với một diễn viên có tên (chỉ mục của chúng tôi, bản chụp 2026-08). Đó là toàn bộ lý do nó trả lời được một câu hỏi mà Google không trả lời nổi.

Một giới hạn đáng nói rõ: độ phủ của chúng tôi bị lệch. 2,246 trong số 2,333 diễn viên có tên đó lấy ảnh đại diện từ đúng một nguồn duy nhất. Bất cứ thứ gì nằm ngoài các danh mục chúng tôi phủ đều vô hình với chúng tôi, và chúng tôi vẫn sẽ đưa bạn một danh sách xếp hạng gồm những cú trượt sát — đó là lý do mỗi kết quả đều kèm một điểm số, với 0.40 là ngưỡng đã hiệu chỉnh cho ảnh tĩnh cắt từ video.

Các công cụ khác nhau thế nào ở chỗ bạn phải giao ra những gì?

Người ta thường so tới chất lượng kết quả là dừng, nhưng kiến trúc quyền riêng tư của chúng khác nhau còn nhiều hơn cả thuật toán.

Hành vi Công cụ tải lên nguyên tệp, kiểu điển hình Nhận diện ngay trên trình duyệt
Ảnh gốc có bị truyền đi không Có Không
Metadata (GPS, thiết bị, dấu thời gian) có bị truyền đi không Có, trừ khi được gỡ bỏ Không bao giờ gửi
Phần nội dung ngoài khuôn mặt có bị truyền đi không Có Không
Cái được gửi lên máy chủ Nguyên tệp Vùng mặt đã cắt + tọa độ 5 điểm mốc
Người dùng kiểm chứng được không Chỉ qua lời hứa trong chính sách Được — cứ mở xem yêu cầu mạng

Phần lớn công cụ ở cả hai họ đều tải lên nguyên tệp, vì làm như vậy đơn giản hơn. Chạy khâu nhận diện ngay ở phía máy khách nghĩa là máy chủ không hề nhận được bản gốc.

Những gì các dịch vụ lớn nói về các tệp tải lên mà họ nhận được thì khác nhau nhiều hơn bạn tưởng, và khác biệt đáng chú ý nằm giữa một chính sách được nêu rõ và sự im lặng.

Dịch vụ Về việc giữ lại tệp tải lên Về việc dùng để huấn luyện
Google Chỉ lưu nếu lịch sử tìm kiếm bằng hình ảnh đang bật, mà mặc định là tắt Nếu bật, ảnh có thể được dùng để huấn luyện các mô hình tìm kiếm bằng hình ảnh; bản sao dùng cho huấn luyện được giữ tới bốn năm, tách rời khỏi tài khoản
Bing Visual Search Không công bố thời hạn lưu trữ Nói rằng ảnh có thể được dùng để cải thiện khâu xử lý ảnh; không dùng chữ "huấn luyện"
Yandex Images Không có phát biểu riêng nào về ảnh Không có phát biểu riêng nào về ảnh
TinEye Nêu rằng tệp tải lên bị xóa sau khi hiển thị kết quả và không bao giờ được thêm vào chỉ mục Không có phát biểu nào theo hướng nào

Hãy đọc những ô trống là điều chưa biết, đừng đọc thành lời trấn an. Còn hai cái bẫy nữa: câu "chúng tôi không huấn luyện trên ảnh của bạn" đầy hào phóng mà người ta hay trích của Microsoft là thuộc về sản phẩm tạo sinh ảnh của họ, không phải về tìm kiếm bằng hình ảnh; và cái mặc định của Google ở trên được ghi rõ cho ứng dụng và các bề mặt Lens của họ, chứ không có phát biểu tương đương nào cho một lần tải ảnh lên từ máy tính khi chưa đăng nhập.

Nguồn: chính các trang trợ giúp hoặc chính sách do từng dịch vụ công bố; kiểm tra ngày 2026-08-03.

Vậy bạn nên dùng cái nào, và khi nào?

  • Bạn có một tấm ảnh đã được đăng — một tấm bìa, một ảnh quảng bá, thứ gì đó tồn tại trên web dưới dạng tệp: đối khớp gần trùng là nước đi đầu tiên đúng đắn. Nó tìm được đúng trang mà tấm ảnh đến từ đó.
  • Bạn có một khung hình do chính bạn chụp: đi thẳng tới tìm kiếm bằng vector khuôn mặt. Đối khớp gần trùng sẽ không chạy được và thử lại cũng chẳng đổi được điều đó.
  • Bạn có một khuôn mặt nhưng nghi người đó không phải diễn viên phim người lớn: không cỗ máy nào lập chỉ mục trên tư liệu người lớn giúp được, và đem nó soi một người bình thường là dùng sai công cụ, không phải một mẹo khôn ngoan.
  • Bạn có một mã hoặc phần chữ trong tên phim: bỏ qua hẳn việc tìm bằng ảnh. Tra bằng chữ nhanh hơn và đáng tin hơn mọi phương pháp thị giác.

Một phép thử duy nhất hữu ích trước khi bạn đổ thời gian vào bất kỳ công cụ nào: cắt tấm ảnh chỉ còn khuôn mặt rồi chạy lại. Nếu kết quả tệ đi, công cụ ấy đang làm đối khớp gần trùng và không nhận diện được ai cả.

Câu hỏi liên quan

Cách dễ nhất để ngã ngũ chuyện so sánh này là làm thử: chạy cùng một khung hình qua một công cụ gần trùng và qua tìm kiếm bằng khuôn mặt ở đây. Khâu nhận diện chạy ngay trong trình duyệt của bạn — bản gốc không rời khỏi thiết bị, và mọi kết quả đều hiện điểm số của nó.