比你从那个头条数字里猜到的要少。我们的索引里有 241,792 条人脸向量，但只有 2,333 条身份记录，其中只有 1,707 条带有可以解析、含生平字段的档案。我们索引过的人脸里，大约 1% 挂着名字（我们的索引，2026-08 快照）。
这个比例就是对「你们的数据有多完整」这个问题的诚实回答。这篇文章余下的部分，是在尽量说清楚具体是哪 1%，以及为什么另外 99% 不是系统的失败，而是素材本身的性质。
这些头条数字实际上在数什么？
每个数字数的东西都比它听上去的窄，所以下面把每一个连同它真正的定义列出来。
| 数字 | 值 | 它数的是什么 | 它不数什么 |
|---|---|---|---|
| 人脸向量 | 241,792 | 在已索引图像中检测到的人脸 | 不同的人；同一个人会出现很多次 |
| 身份记录 | 2,333 | 被当作同一个人并打上标签的聚类 | 索引里的所有人；大多数人脸没有标签 |
| 有完整档案的记录 | 1,707 | 有规范 slug 和元数据的身份 | 那 626 条只有一串原始姓名的 |
| 已索引站点 | 106 | 我们抓取过图像的主机 | 带日文番号的站点——大约 13 个 |
| 关键词落地页 | 300 | 建在索引之上的查询页 | 对行业标签词汇的覆盖 |
| 语言 | 13 | 界面与姓名翻译的语言 | 数据来源；大多数来源是英文的 |
资料来源：我们的索引，2026-08 快照。
第一行是人脸搜索的营销话术最爱待的地方，也是最没有意义的一行。241,792 衡量的是我们处理了多少张图，不是我们能认出多少个人。
为什么索引里只有 1% 有名字？
因为人脸是机器找出来的，名字是人工补上的，而我们索引的这些来源，人工那一头的供给很薄。
检测器会在我们处理的每一张图里找出每一张脸。而名字只有在来源页面以可解析、可链接的形式写出来时才挂得上。国际聚合站占了我们那 106 个主机的大头，而它们在转载时经常把署名整段抹掉。
后果在我们自己的相似女优数据里看得见：在 13,420 条相邻引用中，7,004 条（52%）指向没有名字的身份。所有「谁长得像这个人」的指针里，有一半以上通向了公开记录留白的地方。
已经有名字的这些人，数据有多完整？
按字段不同，介于 23% 到 89% 之间，而我们把低的那些数字和高的一起公布。
| 字段 | 有值的记录数 | 在 n=2,333 中的覆盖率 |
|---|---|---|
| 相似女优列表 | 2,070 | 89% |
| 罩杯 | 1,375 | 59% |
| 出道日期 | 1,371 | 59% |
| 身高 | 1,340 | 57% |
| 三围 | 1,316 | 56% |
| 出生日期 | 1,301 | 56% |
| 出生地 | 716 | 31% |
| 血型 | 547 | 23% |
资料来源：我们的索引，2026-08 快照，n=2,333 条身份记录。
由此有两点。第一，我们能发布的任何关于比如出生地分布的统计，都建立在 716 个人身上——而这 716 个人不是随机样本，他们是档案记录得最好的那批，通常也就意味着最有名的那批。第二，血型这种只有 23% 的字段，薄到根本撑不起任何关于整体的论断，我们宁可直说，也不愿把 547 条记录打扮成一幅行业画像。
唯一强的那个字段——89% 的相似女优列表——之所以强，恰恰是因为它是我们自己从向量算出来的，而不是从某个来源继承来的。
如果不是行业，那这个索引测的是什么？
它测的是聚合站上的曝光度，而这个区别不是咬文嚼字。
我们 2,333 条身份记录里的 2,246 条，代表图取自同一个站点。在整个集合上，代表图只来自四个不同的主机。我们索引的 106 个站点里，只有大约 13 个带日文番号；其余的大多是国际的 tube 站和聚合平台。
所以当某位女优在我们的数据里被充分呈现时，这个发现的意思是：这个人的图像在我们索引的那些聚合站上流传很广。这是一个真实且有用的信号。它跟「作品多产」「在日本很红」或者「商业上举足轻重」都不是一回事，我们也不会把它说成那些。
这同时也框定了我们永远不会声称的东西。我们不会说某家片商发行了 N 部作品——只会说我们索引了 N 部。索引里没有发行日期字段、没有片商字段、根本就没有作品记录，所以逐年产量趋势、片商市场份额、格式普及时间线，从它这里就是算不出来的，无论拿它做出来的图表看上去有多笃定。
数据与方法
**来源。**starlikeness 人脸索引：从 106 个站点的封面图与视频截帧中提取的人脸向量与身份记录。
**样本。**241,792 条人脸向量；2,333 条身份记录（1,707 条有完整档案，626 条只有姓名字符串）；13,420 条相似女优引用。
**方法。**用 YuNet 做检测；按五个面部关键点做对齐；用 ArcFace 编码成 512 维向量；按余弦相似度检索，同一人阈值取 0.40。覆盖率是某字段有非空值的记录数，除以 2,333 这个完整总体。
**快照日期。**2026-08。计数是在该日期从线上数据文件重新算出来的；本页面上显示的更新日期反映的是数据，不是页面重建。
已知偏差。
- **来源集中。**2,333 张代表图里有 2,246 张来自同一个站点；四个主机就占完了全部。任何在这些来源里缺席的东西，在我们的测量里同样缺席。
- **语言与地域偏斜。**已索引站点多为国际聚合站，因此在国际上流传的图像，相对于只在日本发行的素材被过度呈现。
- **记录完备度偏斜。**有名字的那 1,707 位，按构造就是记录得最好的一批女优。在他们身上算出来的覆盖率统计，描述的是「记录完备的」，不是「典型的」。
- **历史遗留。**本站此前发布过的一些字段覆盖率数字被虚高了，原因是占位字符串被当成了有效值来数。它们在本次快照之前已被清除；上面的数字是修正后的，比我们之前报的要低。
引用格式。
starlikeness (2026). 《这个行业我们究竟能看到多少？》
人脸索引，2026-08 快照（n=241,792 张人脸；2,333 条身份记录；
106 个站点）。https://starlikeness.com/zh-CN/articles/how-complete-is-our-index
相关问题
检验覆盖面最实际的办法就是搜一次。上传一帧画面，读那些分数：一串低分结果，就是索引在告诉你这个人不在那 1% 里。检测在你的浏览器里跑，原图不会离开你的设备。