相似度是兩個臉部向量之間的餘弦相似度 —— 兩串各 512 個數字 —— 值域從 0 到 1。在我們的索引上，0.40 是那個分界點，高過它，一組配對就被當成很可能是同一個人。它不是百分比，不是信心值，也不是機率。它是一個角度。

這個數字之所以重要，是因為多數人臉搜尋工具不會告訴你的一件事：稠密向量搜尋永遠不會回傳「沒有」。 你跟它要十筆結果，它就給你十筆，無論你要找的那個人到底存不存在於索引裡。分數是唯一能把「答案」跟「現有資料裡最接近的陌生人」分開的東西。

這個分數實際上量的是什麼？

餘弦相似度量的是兩個向量之間的夾角，不管它們的長度。兩張臉被編碼成 512 維的向量後，當它們指向幾乎相同的方向，就算「相似」。

編碼器 —— 我們用的是 ArcFace —— 的訓練目標，是讓同一個身分的影像產生指向相同方向的向量，讓不同身分的影像產生指向分開的向量。姿態、光線、背景與髮型，大多在偵測與對齊階段就被丟掉了，編碼器根本沒機會看到它們。

這就是為什麼分數的行為跟視覺印象不一樣。兩張在你看來很像的照片可能分數很低；兩張在你看來一點都不像的照片 —— 光線不同、年代不同、髮型不同 —— 卻可能分數很高。

每一個分數區間該怎麼讀？

把分數當成一個區間，不是一句判決。以下是我們在自己的資料上實際使用的工作區間。

分數 讀法 該怎麼處理
0.70 以上 極可能是同一個身分 當成配對成功；不過還是去看一下來源頁
0.55 – 0.70 很可能是同一個身分 算配對成功，但要拿第二張圖驗證
0.40 – 0.55 高過門檻，但很弱 說得通；角度不好或長得像的人都會落在這裡
0.25 – 0.40 低於門檻 是相像，不是同一個人
0.25 以下 現有資料裡最接近的向量 除了「索引不得不回傳點什麼」以外什麼都沒說

0.40 以下的那幾列，是大家最常誤讀的。一筆 0.31 的結果不是「31% 的機率」。那是系統在告訴你：它沒有你要找的那個人，現在給你看的是它手上有的東西。

資料來源：我們的索引，2026-08 快照。這些區間是我們用來讀自家結果的工作經驗值，不是公開發表的基準。

為什麼需要門檻這種東西？

因為門檻把一個連續的距離轉換成一個是／否的決定，而每一次這種轉換，都是拿一種錯誤去換另一種錯誤。

把門檻調低，你會救回更多在刁鑽角度或糟糕壓縮下拍到的真比對 —— 同時也放進更多毫不相干的臉。把門檻調高，留下來的比對比較乾淨，但那些來自側臉鏡頭或低位元率串流的真比對，就會整個掉出清單。

沒有任何一個設定能同時消掉兩種錯誤。0.40 之所以落在現在的位置，是因為我們典型的查詢是一張影片畫格：壓縮過、有動態模糊、很少正面、而且常常很小。用乾淨的棚拍人像去調的門檻會更高，而那會拒絕掉多數真實的查詢。

為什麼同一個人在不同照片裡分數會不一樣？

因為編碼器對姿態與光線的排除並不完美，而從相機到你那張截圖之間的每一次劣化，都會讓向量移動。

條件 對分數的影響
正面、清晰、光線良好 分數最高；編碼器的最佳狀況
頭轉過大約四分之三側 大幅下降；臉的一部分根本不在畫面裡
影片壓縮嚴重、位元率低 下降；區塊瑕疵破壞了臉部細節
臉在畫面裡很小 下降，而且可能在編碼之前偵測就先失敗了
遮擋 —— 手、頭髮、橫過臉部的物件 特徵點移位，對齊被扭曲，向量就錯了
兩張圖之間隔了好幾年 中等程度下降；身分訊號還在，但變弱了
醫美手術、體重大幅變化 真的比對也可能掉到門檻以下
妝、髮型、髮色 影響很小；對齊時大多被裁掉了

最後一列會讓人意外，倒數第二列則會讓人失望。頭髮幾乎是免費的；一張被改過的臉不是。

為什麼你該不信任一個把分數藏起來的工具？

因為藏起分數，就等於藏起「配對」與「猜測」之間的差別，而那個差別就是結果的全部。

一份沒有分數的排序清單，不管第一名是 0.85 還是 0.19，看起來都一模一樣。兩者都顯示成「這是離你最近的比對結果」，但只有其中一種有意義。一個給你看十張臉卻不給你數字的工具，等於是把資訊量最高的那個欄位拿掉了 —— 而且是在系統無論真相如何都保證會吐出東西的那種情境下拿掉。

一份誠實的人臉搜尋結果包含三樣東西：分數、它被拿來對照的門檻，以及一個連往原圖的連結，好讓你能用自己的眼睛確認。三者少了任何一樣，你就沒辦法查核這個答案。

資料與方法

來源。 由 starlikeness 在 106 個站台上索引的封面圖與劇照計算出的臉部向量。

樣本。 索引中有 241,792 個臉部向量；有名字的身分紀錄 2,333 筆（我們的索引，2026-08 快照）。

方法。 用 YuNet 偵測，產生一個邊界框與五個特徵點。依那些特徵點對齊到標準姿態。用 ArcFace 編碼成 512 維向量。以餘弦相似度在整份索引上檢索。0.40 這個門檻是針對這份索引上的影片畫格查詢所校準的。

快照日期。 2026-08。

已知偏誤。 涵蓋範圍高度集中。有名字的身分中，2,333 筆裡有 2,246 筆的代表圖來自單一站台，而在已索引的 106 個站台裡，帶有日式內容編號的只占很小的一部分。因此我們量到的是在聚合站上的曝光度，不是發行量。一位作品只出現在我們沒有索引的站台上的女優，是找不到的，而且沒有任何分數會告訴你這件事 —— 搜尋照樣會回傳離她最近的十個陌生人。

門檻的適用範圍。 0.40 適用於這個編碼器與這份索引。它不能移植到另一個工具、另一個模型，或另一種查詢影像上。任何主張某個分數「代表」某個固定身分機率的說法，都是誇大：同一個數字會因為查詢圖的品質不同而有不同的分量。

引用格式。

starlikeness（2026）。〈相似度 0.40 是什麼意思？〉。
臉部索引，2026-08 快照（n=241,792 張臉；2,333 筆有名字的身分紀錄）。
https://starlikeness.com/zh-TW/articles/what-similarity-score-means

相關問題

你可以親眼看著門檻在做事：上傳一張畫格，把分數跟臉並排讀。偵測在你的瀏覽器裡執行，只有裁切下來的臉部區域會被送出比對，原圖不會離開你的裝置。