我们的数据来自两条在中间汇合的流。人脸向量由 106 个公开站点上发布的封面图和视频截图计算得出。女优元数据——名字、译名、生平字段——从公开的资料页解析而来。我们发布的一切都源自这两条流之一或两者，而当它们彼此矛盾或双双沉默时，我们拿到的是一个缺口，不是一个答案。
关于这些来源，最该知道的是它们有多窄。我们 2,333 条身份记录里有 2,246 条的代表图来自同一个站点，而整个索引里真正提供代表图的，一共只有四个不同的主机。
这两条数据流具体是什么？
一条是我们自己算出来的；另一条是从发布方那里继承来的。它们出问题的方式完全不同。
| 人脸向量 | 女优元数据 | |
|---|---|---|
| 来源 | 106 个已索引站点上发布的图片 | 公开的资料页 |
| 由谁产出 | 我们自己的流水线（YuNet、ArcFace） | 第三方编辑 |
| 完整度 | 对已索引的图片接近全覆盖 | 按字段 23%–89% 不等 |
| 失败方式 | 检测漏掉；角度差、遮挡、脸太小 | 字段留空、占位字符串、互相矛盾的值 |
| 我们能改善吗？ | 能——索引更多来源 | 只有当某个来源发布了它才行 |
这种不对称很要紧。人脸数据缺失，是因为我们没有索引那张图。元数据缺失，是因为一开始就没人写下来，再多的工程也救不回来。
哪些来源占了主导，程度有多严重？
一个站点几乎完全主导，而我们宁愿把这件事发布出来，也不愿让「106 个站点」暗示一种我们并不具备的广度。
| 代表图主机 | 身份记录 | 占比 |
|---|---|---|
| 主要来源（jable） | 2,246 | 96.3% |
| 第二个主机 | 67 | 2.9% |
| 第三个主机 | 14 | 0.6% |
| 第四个主机 | 6 | 0.3% |
来源：我们的索引，2026-08 快照，n=2,333 条身份记录。
106 这个数字说的是为人脸索引——那 241,792 个向量——做出贡献的站点数。上面那四个主机说的是每一条身份的代表图从哪来。两者都属实；但只有第二个告诉你身份这一层有多集中。
在第一层集中之上还有第二层。106 个已索引站点里，只有大约 13 个带日式内容 ID。其余大多是国际性的 tube 站和聚合平台。因此我们对日本成人影片的视野，几乎完全是通过国际转载中介过的。
逐个字段看，缺了什么？
按字段不同，缺的记录在 11% 到 77% 之间。下面是完整的账，不是好看的那一部分。
| 字段 | 有 | 缺 | 在 n=2,333 中的覆盖率 |
|---|---|---|---|
| 相似女优列表 | 2,070 | 263 | 89% |
| 罩杯 | 1,375 | 958 | 59% |
| 出道日期 | 1,371 | 962 | 59% |
| 身高 | 1,340 | 993 | 57% |
| 三围 | 1,316 | 1,017 | 56% |
| 出生日期 | 1,301 | 1,032 | 56% |
| 出生地 | 716 | 1,617 | 31% |
| 血型 | 547 | 1,786 | 23% |
来源：我们的索引，2026-08 快照，n=2,333 条身份记录。
有三点我们认为是数据本身的一部分，而不是对它的免责声明：
- **缺失不是随机的。**元数据齐全的记录，属于被记录得最好的那批女优，而那通常意味着最出名的。任何在现有值上算出来的统计，描述的都是知名度高、在国际上被广泛转载的女优。
- 有 626 条记录只有一个名字，别的什么都没有——一个生平字段都没有。它们被算进了上面的分母，所以每一个百分比都比我们悄悄把它们扔掉时要低。
- **本站早前的一些数字偏高了。**来源数据里的占位字符串被当成了真实值统计，这抬高了好几个覆盖率数字，更糟的是，它们还被写进了女优页的结构化数据里。那些值已经移除。上面这张表是订正后的账，之前的数字不应被引用。
这份数据永远告诉不了你什么？
它永远告诉不了你任何关于作品、片商或发行量的事，因为它根本不包含这些。
索引存的是人脸，不是作品。没有发行日期字段，没有片商或厂牌字段，也没有作品记录。这就排除了一整类既容易伪造、又无法支撑的统计：年度产量、片商市场份额、格式普及的时间线、按年份的类型变迁。
它也框住了我们的措辞。我们从不写某个片商发行了 N 部作品。我们写的是我们索引了 N 个——因为我们数的是聚合站的转载，而这两句话之间的落差，正好就是我们的数据与这个行业之间的落差。
数据与方法
**来源。**106 个公开站点上发布的封面图与视频截图；元数据取自公开的女优资料页；在能够有把握对应时，也使用 Wikidata 标识符。
**样本。**241,792 个人脸向量；2,333 条身份记录（1,707 条有完整资料，626 条只有名字字符串）；13,420 条相似女优引用，其中 7,004 条指向没有名字的身份。
**方法。**用 YuNet 检测人脸，依五个关键点对齐，用 ArcFace 编码成 512 维向量，以余弦相似度检索，同一人的阈值为 0.40。元数据从公开资料页解析而来，会做类型与格式校验，校验不过时留空而不是拿别的值顶上。相似女优列表由向量计算得出，不是继承来的。
**快照日期。**2026-08。
**不存什么。**视频文件。用户上传的原图——检测在访客的浏览器里完成，只有裁切出来的人脸区域和它的五个关键点会被传输去比对，查询结果也不保留。索引是用已发布的素材建起来的，绝不是用大家搜了什么建的。
已知偏差。
- **来源极度集中。**96.3% 的代表图来自一个主机；四个主机加起来就是全部。
- **聚合站中介。**106 个已索引站点里只有大约 13 个带日式内容 ID，所以我们看到的素材，就是在国际上流通的那些。
- **记录偏斜。**现有的元数据过度代表了知名度高的女优。
- **后果。这些数字量的是我们所索引站点上的曝光度，不是发行量或行业构成。**这里的每一个数字，都请先当成关于我们来源的陈述，只有通过推论才是关于这个行业的。
引用。
starlikeness（2026）。《我们的数据从哪来，又缺了什么》。
人脸索引，2026-08 快照（n=241,792 张脸；2,333 条身份记录；
106 个站点；4 个代表图主机）。
https://starlikeness.com/zh-CN/articles/where-our-data-comes-from
相关问题
上面写的全都是关于索引，不是关于你：人脸检测在你的浏览器里运行，只有裁切出来的人脸区域会被送去比对，关于你这次搜索的一切都不会写回这份数据。