評分方法
分數是怎麼算出來的
你看得懂分數怎麼來，封面測試才有用。這一頁公開說明每個數字到底 測什麼、從哪裡來，還有它沒告訴你什麼。
封面的五個維度
工具會在你的瀏覽器裡讀取每張封面，把看到的資訊轉成五個 0 到 100 的分數。沒有單一數字是答案；合在一起，它們會顯示每張封面 如何對應這套工具的固定像素規則。
- 顯著性
- 封面的對比有多強、配色有多飽和。
- 測量方式結合整體對比（像素亮度在整個畫面的分散程度）與飽和度。平淡或泛白的封面得低分；鮮明、高對比的封面得高分。
- 情緒吸引力
- 這套啟發式使用的膚色與暖色像素占比。
- 測量方式以膚色像素比例作為可見人物的粗略代理值，再結合暖色系比例。它不會辨識人臉或情緒。
- 色彩品質
- 配色是否平衡、亮度是否落在可辨識的範圍。
- 測量方式結合色彩諧和度（飽和度與暖度偏離中性的程度）與亮度分數。過度飽和或接近單色的封面，分數都低於有意識安排的雙色配色。
- 構圖聚焦
- 落在評分器膚色範圍內的像素占比。
- 測量方式把膚色像素占比當作粗略主體代理值。它不分析空間配置、不辨識三分法，也不理解非人物主體。
- 可讀性
- 亮度與對比在類似動態消息的小尺寸下是否仍能區分。
- 測量方式把封面縮小到 320 像素寬，再結合整體亮度與對比。它不會執行 OCR，也不會實際判斷文字能不能讀。
評分結果
結果卡裡有什麼
每張封面會得到五個 0 到 100 的維度分數，以及一個綜合總分。 封面總分會和標題總分一起進入偏好模型排序。下面這張卡片， 就是工具為每個版本回傳的結果。
怎麼看微型長條是封面的五個維度，大數字是它們的加權總分。模型占比來自 頁面下方的確定性偏好模型。
這裡只示範結果卡版型，封面數值不是實測結果。可重算的數字範例 在下方的標題評分區。
提高封面對比，讓主體更清楚。
標題的七個角度
標題從七個角度評分，因為標題和封面在動態消息裡是被當成一組讀的。 評分工具也會辨識排行型、提問型、教學型、比較型與數字型等風格。 這些是規則式模式比對，不是受眾意圖的語意分析。
- 開頭鉤子
- 開頭幾個字是否製造好奇或承諾回報。
- 情緒值
- 標題是否觸發情緒，例如驚訝、憤怒、安心或錯失恐懼。
- 衝突度
- 是否有張力、對比、或非預期的反差。
- 長度
- 標題是否短到能在動態消息完整讀完。過長的標題會被截斷。
- 結構
- 是否符合評分器可辨識的模式，例如排行、提問、教學、比較。
- 關鍵詞
- 是否包含評分器可辨識的主題或數字提示。
- 可讀性
- 是否能一眼看懂，還是讀起來繞口。
計算核心
封面與標題總分如何合併
每張封面與每個標題都用固定權重算出總分，再取平均成為排序使用的 0 到 100 綜合預檢分數。這個計算不會讀取任何受眾或頻道資料。
封面總分 5 個維度
- 顯著性30%
- 情緒吸引力25%
- 色彩品質20%
- 構圖聚焦15%
- 可讀性10%
再加上一個根據封面特徵值算出的小幅確定性指紋（正負 5 之間）， 讓近乎相同的封面不會撞在同一個總分上。
標題總分 7 個角度
- 開頭鉤子28%
- 情緒值22%
- 衝突度15%
- 長度10%
- 結構10%
- 關鍵詞8%
- 可讀性7%
不加指紋。標題總分就是七個角度分數的純加權總和。
綜合預檢分數
( 封面總分 + 標題總分 ) ÷ 2
這是無單位的比較分數。81 代表在固定規則下得到 81/100， 不是成功機率 81%。
實際算例
用正式規則算一個標題
下方輸入是比較工具的第一個內建範例。頁面在建置時把它交給 同一個標題評分器，再把每個維度乘上公開權重。
震驚！普通人 30 天讓剪輯效率提升 300%
- 辨識類型
- 驚嘆型
- 標題等級
- B
- 標題總分
- 75.0 / 100
貢獻分是 維度分數 × 權重。七項相加為 74.95， 評分器四捨五入後得到 75.0。這是標題啟發式 分數，不是預測點擊率。
| 維度 | 分數 | 權重 | 貢獻分 |
|---|---|---|---|
| 開頭鉤子 | 63 | 28% | 17.64 |
| 情緒值 | 85 | 22% | 18.7 |
| 衝突度 | 65 | 15% | 9.75 |
| 長度 | 100 | 10% | 10 |
| 結構 | 79 | 10% | 7.9 |
| 關鍵詞 | 67 | 8% | 5.36 |
| 可讀性 | 80 | 7% | 5.6 |
| 四捨五入後總分 | 75.0 | ||
10,000 次確定性模型迭代
每組封面與標題會進入只由綜合分數建立的偏好模型。帶固定種子的 虛擬隨機函數會在選項之間執行 10,000 次可重現配置。同一組輸入 會得到同一組結果。
產出的是 模型占比，可用來排列同一組概念，但迭代 不是人數、曝光或點擊。它只用更細的尺度重述既有分數，不會增加 任何關於實際表現的新證據。
預檢能告訴你什麼，又不能告訴你什麼
這七個問題界定了分數的限制，以及它能負責任地支援哪些決策。
預檢分數會預測我的 YouTube 點擊率嗎？
不會。分數只用固定的圖片與標題規則比較概念，沒有拿你頻道的點擊資料校準，因此不是機率，也不是點擊率預測。
綜合預檢分數怎麼計算？
封面從 5 個視覺維度評分，權重為顯著性 30%、情緒吸引力 25%、色彩品質 20%、構圖聚焦 15%、可讀性 10%。標題從 7 個角度評分，權重為鉤子 28%、情緒 22%、衝突 15%、長度 10%、結構 10%、關鍵詞 8%、可讀性 7%。封面與標題總分取平均後成為綜合分數。封面另有正負 5 的小幅確定性指紋，避免近似圖片撞在同一分數。
中英文標題怎麼評分？
兩種語言使用相同的 7 個維度與權重，但有各自的模式。英文可辨識教學、懸念、驚訝、提問、比較、清單、數字與衝突提示；中文則辨識對應的疑問、震驚、懸念、數字與比較線索。兩者都是規則型啟發式，不是受眾語意研究。
排序有多準？
我們不主張準確率，因為排序沒有拿你頻道的真實資料驗證。它能保證的是可重現：相同輸入會得到相同結果，方便一致地比較修改版本，但不能證明真人會怎麼選。
這和 YouTube 自己的測試有什麼不同？
YouTube 的原生測試在發布後用實際觀看時間資料比較最多 3 個選項。這個工具在發布前以固定啟發式比較最多 6 組概念。先用預檢整理候選，再交給 YouTube 驗證。
10,000 次迭代代表什麼？
它是由綜合分數決定的確定性模型配置，不是人數、曝光、點擊或研究樣本。這個次數只讓模型有足夠解析度，呈現穩定的相對占比。
分數能被操弄嗎？
某種程度上可以。刻意把固定訊號衝高的概念，如果主題很弱或標題誤導，仍可能失敗。分數只回報規則能觀察到的內容，高分不是影片表現的證據。
選擇下一個測試階段
知道什麼時候該從預檢走向真人測試
先用分數修改並收斂候選。需要真實觀眾反應時，再進入真人測試。
用你自己的封面跑一次評分
上傳 2 到 6 張封面與標題，查看 5 個視覺訊號、7 個標題訊號、相對排序與優先修改。核心測試免費、免登入。