我用 200 道真实餐食作为样本对比了我的AI卡路里计算器。以下是真实的数据。

我创造了Cali Crunch，因为我零自律，无法准确追踪卡路里。每个我尝试的应用程序都要求我扫描条形码、搜索数据库、 weigh 部分——我坚持不了三天就放弃了。所以我创造了我最懒的卡路里跟踪器：只需和它畅聊、拍摄照片或者键入信息。批量记录你整个一天的卡路里（如果你忘记了）。没有数据库、无条形码扫描、无摩擦。AI计算出卡路里和营养素。

标语简直就是“最懒的卡路里跟踪器”。

我想要诚实地说，这个应用程序实际上有多准确，所以我建立了一个合适的基准。以下是我的发现。

基准测试

我使用了[Nutrition5k](https://github.com/google-research-datasets/Nutrition5k），谷歌的公有数据集，包含大约5,000张餐厅食品照，全部用平衡秤称出。私は200道菜各自分别通过Cali（和真实用户一样），仅让照片通过cali（没有语音/文本等效）。这具体测试的是照片识别路径——Nutrition5k没有语音/文本等效，但无论使用何种输入方式，ai都使用相同的估算方法。

结果

说明：在典型菜单上，Cali误差约为29%。有半次，正确高；另一半次，错误大。它正确识别表盘的时间约为93%。

LLM在卡路里估算方面有多地擅长？

这是最令人耳目一新的发现。当他们准确识别食材并且菜式清晰时，他们能够惊人地准确估算：

• scrambled Eggs：真实值为183卡路里，预估值为180卡路里（1.9%差异）
• 半个面包（cream Cheese）：真实值为191卡路里，预估值为195卡路里（1.7%差异）
• 双份披萨 + Steak + 蔬菜：真实值为733卡路里，预估值为695卡路里（5.2%差异）
• Salmon + 蔬菜 + 谷物：真实值为264卡路里，预估值为280卡路里（6%差异）

整体性能统计中：50％ 的菜肴在大致误差范围内，与真实值相比误差在30％ 中间。29％ 的菜肴在大致误差范围内，将误差在 20% 中间。这表示，其实macros并不算太难，但是偏差也不会太小。一道菜，macros会计算偏差（平均数为约9公斤蛋白质、 7克碳水化合物、7克脂肪）。

关键点：LLM 其实有相当的营养素知识——他们知道scrambled Eggs 和creme cheese 是多少卡路里。 瓶颈实际上是识别食材的数量。 当食材可以轻易看出来时（一个 bagel，是两个鸡蛋，盘子是分开的），预估非常准确，而当食材难以识别（一摊混合食物，一坨菜）。错误就会相对变大。

我开始和结束时相差得多

我尝试过6中不同模型和输入配置。开始时，马匹误差（基准）是 64%。结束时，精度相比之去 38% （相比原来的40%精度有相似效果提升）。没有优化，没有数据精度提升。

最大的进步：

改变模型——从Claude SonnetSwitch到了GPT-4.1，单一改动提升了14个百分点。这是使用最好但不是针对某个特定任务最好的模型。

要求模型“告诉我原因”：在食材识别后，增加了“部分_推理”字段。11个百分点得到了提升。当模型要求“思考一下”，也没什么效果；然而， 要求它写出推理结构化信息后，行为就有变化了。它开始使用具体餐厅菜单中的典型大小作为参照，对于小食物，它在2-3倍的高度。

具体定基点：“一个餐盘约26cm，一个叉子约20cm，蔬菜在餐盘低于四分之一，即为30-80g.”用普通说明，比这个效果却好得多。

最有趣的失败：GPT-5.4 - Mini（推理模型）得到了65%的比率低于我最初的。推理模型不是针对所有情况的最佳方法。对于视觉任务，瓶颈在于感知，而不是符号化思考。

诚实的限制

• 隐性清洁油剂/浇头：如果你有油料覆盖在蔬菜上，视觉模型是看不到的。Calibranker错误大约为6%。benchmark中大约6% 的菜肴存在此类问题。
• 隐藏的蛋白质：隐在蔬菜下的鸡肉被错过了。感知限界，不是可调制的提示问题。
• 食材数量估算有一个限度：50克鸡肉和100克鸡肉在特定角度看起来都一样。这个29% 的中位数误差部分由不可调的不确定性——即无法准确估算食材数量。
• 这是一个粗糙的卡路里跟踪器，不是一个精确的工具。如果你想精确度在±50卡路里范围内，使用食物称量器。要让其精确度为适当高水平，就用Cali来追踪你的卡路里，无需任何成本或努力。

在审计期间，我发现10.5％ 的基准值有问题。21个食物从真实值（在拍摄前进行称量，在图像中无法看到），包括鸡肉放在另一个容器中，被吸收入食物中。对这些进行了标记，并报告了两种情况下的结果。如果有另一个模型声称，在Nutrition5k上小于10％ 的误差，就认为该模型或是过度优化了，或是吹嘘。

未来

这次提示工程已经接近了 35-38%的基准值提升上限。对于小于 40% 的下一个提升，很显然使用了问询用户的一些信息（ “轻微的”或“高度的”？）。 新的界面改进（这个案例中为提示），而不是基于ML技术实现的提升。

[App Store 中 Cali Crunch ]（https://apps.apple.com/app/cali-crunch/id6761346735）如果你想试试。下载时免除付款，一周无限制测试。测试期后，每天3次，付费 $1.99/周，$5.99/月，$34.99/年。 我构建了它，为那些想知道大致情况的懒人。对于所有测试结果最有用。