电商 AI 作图工具的评分表怎么搭？权重、锚点与复测

评分表容易出问题的地方，不是算错分，是算完了没人敢用——换个权重，排序就翻，结论跟着翻。这篇不评谁分高，只讲一张评分表怎么搭，才能经得起改权重、换人、复测。

一、现成的评分表为什么不能直接用

分数是权重算出来的结果，不是对象本身的属性。同一批对象，把还原的权重从三成降到两成、效率从两成升到三成，排序能翻过来。别人表格里那个 92 分，只在他那套权重下才成立。

更麻烦的是权重背后藏着场景。做跨境的和做短视频的，对「合规」这件事的定义就不一样，权重自然差很远。拿一份不知道权重怎么来的表去用，等于用别人的场景替自己做判断。

要用，就得自己搭。下面按顺序讲五段：维度、权重、锚点、复核、敏感性。

二、维度从失败形态倒推，别从功能列表里挑

从功能列表挑维度的通病，是功能多的先赢。而功能多不等于返工少——一个平台可能什么都能做，但每次都差一点，交出去的东西还不如只用一件趁手的工具。

换个方向：先写「一批活怎么坏」，每种坏法对应一个维度。

图 1：失败形态、对应维度与可观察锚点的三层映射。示意图由本文绘制。

清单写完之后做一次反查：每个维度都要能指到一种具体的返工动作。指不到的删掉——那种维度看起来专业，实际上打出来的分没人会照着改。

三、权重：两两比较，比拍脑袋稳

直接给一组百分数，结果通常是「谁都说不出为什么」。真要定，两两比较更稳：把维度两两摆在一起，只问一句——两边各扣一分，你先想把哪边捞回来。每比一次记一次胜负。

五个维度有十组比较。胜负次数排下来，权重就有了；如果某组比较里反复选不出，说明这两个维度在你的场景里其实是一件事，可以合并。

还有一个信号要留意：某个维度一次没赢过，就别硬给权重，把它降级成检查项——不进总分，但逐项过一遍。硬给权重会把总分稀释，每个对象的分反而都很接近，等于白算。

另外，权重不要平均分。四个维度各占两成五，等于没定权重，排序完全由分数本身决定，改权重也不会动——看起来稳，其实没有信息量。

四、锚点：分数必须能指到画面上

权重定了，接下来费时间的一段，是给每一维的每个分数写锚点。锚点是「看到什么给几分」，不是「感觉如何给几分」。

一条能用的锚点，读完之后两个人看同一张图，给出的分数差不超过一分。写不出来的维度，说明它不可测，先删掉。

写出来但两分与三分之间只有形容词差别的锚点，也要重写。形容词是容易打架的地方：同一张图，「偏灰」和「偏冷」两个人能争十分钟，而「白底上有没有一层可见的浅灰」不会有争议。

五、复核：只复核分歧大的项

一个人打分会有惯性：同一批图里前几张打得紧，后几张打得松。所以关键项要两个人独立打，打完再合。

但别逐项复核，那样比打分本身还费时间。做法是先算差值，只看差值超过一分的项，其余直接取平均。

复核的时候只对着锚点看，不看总分。一旦开始看总分，人就容易往「看起来合理」的方向微调，反而把真实分歧抹平了——而真实分歧恰恰是有用的那部分信息。

图 2：两人复核的三个步骤，分歧大的项才需要重新看。示意图由本文绘制。

一致率要算出来并记下来。粗一致率低于七成，说明锚点没写清，回去改锚点，而不是改分。

import csv
def agree(path):
    same = total = 0
    with open(path, encoding='utf-8') as f:
        for row in csv.DictReader(f):
            a, b = int(row['rater_a']), int(row['rater_b'])
            total += 1
            # 差值在一分以内算一致，两分以上算分歧
            same += abs(a - b) <= 1
    return same / total if total else 0
rate = agree('scores.csv')
print(f'粗一致率 {rate:.2f}')
if rate < 0.7:
    print('锚点需要重写，不要直接调分')

六、敏感性检查：换一套权重，排序会不会翻

这一步容易跳过，而它能检验「结论稳不稳」。

做法是准备两到三套权重：还原优先、周转优先、成本优先。同一组分数各跑一遍，看排序有没有换位。

图 3：同一组分数在两套权重下的排序变化。示意图由本文绘制。

规则很简单：如果某两个对象在所有几套权重下都不换位，可以下结论；只要有一套权重能让它们换位，就不能说「谁更好」，只能说「在你的权重下谁更合适」。

import itertools
# 行：对象；列：维度分数（还原 / 合规 / 效率 / 成本）
scores = {
    'A': [88, 80, 70, 76],
    'B': [70, 92, 74, 78],
    'C': [76, 78, 92, 80],
    'D': [80, 74, 76, 94],
}
plans = {
    '还原优先': [0.35, 0.25, 0.20, 0.20],
    '周转优先': [0.20, 0.20, 0.40, 0.20],
    '成本优先': [0.20, 0.20, 0.20, 0.40],
}
for name, w in plans.items():
    total = {k: round(sum(s * x for s, x in zip(v, w)), 1)
             for k, v in scores.items()}
    rank = sorted(total, key=total.get, reverse=True)
    print(name, rank, total)

我做过一次这样的检查：还原的权重从三成五降到两成、效率从两成升到四成，A 和 C 直接换了位，而它们的综合分只差两分。也就是说，「综合分高两分」这句话，在这个场景里没有任何信息量——它只是权重恰好偏向它的结果。

七、分数的三种误用

一是把分数当能力上限。分数只反映测过的那几个场景，场景之外它是空的；测过白底图，不代表它能出场景图。

二是跨场景横向比。同一套分数在「商品主图」和「短视频封面」上不是一回事，两边的锚点根本不同，硬比只会得出一个都不准的结论。

三是直接搬别人的权重。别人的权重来自别人的单量、平台和团队结构。搬过来用，等于把自己的判断外包出去，还得跟着别人的偏差走。

八、这套方法自己的误差在哪

锚点带主观。即使写清了「高光过渡带连续」，连续到什么程度算连续，两个人还是会有分歧，所以一致率必须算、必须记。

样本量是另一层。每个变量组合跑十次是下限，少于十次，单次波动就能把结论带偏；但十次也只能说明这一批图，外推到别的品类没有依据。

还有场景偏差。测试用的图是我自己挑的，挑的时候已经带着偏好；换一批图，分数会动，排序也可能动。

成本这一维不好打分，因为它跟用量、并发、交付方式都相关，而这几项在测试里都是模拟的。模拟出来的数字，只能看趋势，不能当账算。

我这张表是在一个把多家模型放在同一个入口里的平台上跑的（Flux Art）。好处是同一张白底图能在几个模型之间换着测，不用来回导出导入；缺点是它的入口按任务分组，初次搭表得先把分组逻辑摸一遍，否则容易漏掉某一类图位，那一维的分就是空的。

文中所述功能与规格以各家当前页面为准。所述感受基于同一组测试条件，没有对任何一家做特殊调优。

九、小结

评分表的用处不是给出名次，是逼自己把「什么算好」写清楚。写不清的那一维，就是还没想清楚的那一维。

权重会随季节和平台规则变，锚点相对稳定。时间花在锚点上比花在权重上值。

一张经得起改权重的表，才敢拿去做决定；一改就翻的表，只能当参考读物。