一句话看懂：有开发者尝试用 Gemini 视觉模型识别假冒化妆品，但测试中模型将所有产品都判定为假货，辨别准确率实际为零。该案例暴露了通用大模型在细粒度真伪鉴别中的可靠性问题，也引发了对“AI 检测假货”这套思路是否可行的争论。
事件核心：发生了什么
一位开发者在 Hacker News 上发布了自己用 Gemini 模型识别假冒化妆品的实验记录。他尝试借助 AI 视觉能力判断产品真伪，但结果并不理想：Gemini 将测试样本中的正品和假货全部判为假货，等于没有提供任何有效的辨别信息。作者在文中仍表示“AI 可以发挥辅助作用”，这一结论引发了评论区强烈质疑，有用户讽刺称“AI 不是唯一会幻觉的东西”。
该讨论还引用了 Grover Lab 关于糖果代码和药片崩解测试的相关研究链接，说明这类“物理微观特征鉴别”方向已有更系统的技术尝试，但与通用大模型的能力边界尚有距离。目前公开信息显示，该实验并未采用专门训练的判别模型，仍属于通用视觉模型的能力试探。
为什么重要
这件事直接指向一个大模型落地中的核心问题：通用视觉模型能“看见”，但不一定能“判断”。识别假冒商品不仅依赖外观比对，还需要对包装材质、印刷精度、模具纹路等细粒度特征有足够敏感度，这类信息在训练数据中往往稀缺，模型容易基于表面相似性给出“看起来像假货”的模糊反馈，而非可用的鉴别结论。
如果这类技术被过早用于电商平台或品牌方的打假流程，可能会产生大量误判，导致正品被下架、消费者投诉增加、商家利益受损。更值得警惕的是，当检测手段普及后，造假方也可能借助 AI 反向修正仿冒品的瑕疵，形成“攻防升级”的循环，正如评论区有人指出的：“如果造假者发现 AI 让他们损失销量，他们也会用 AI 来抓自己的错。”
对用户/开发者/创作者的影响
对于普通消费者，目前不应依赖 AI 视觉工具来验证化妆品、药品等高风险商品的真伪，误判成本过高。对开发者而言，这个案例提醒了一个现实：调用大模型 API 不等于获得可靠的专业判断能力，在涉及安全与合规的场景，必须用小样本测试验证模型的真实区分度（而非仅看输出是否流畅），必要时需针对特定品类做微调或训练专用模型。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对于做品牌保护和电商风控的团队，这个案例也表明，单纯接入视觉大模型并不能直接替代现有的防伪溯源体系，更务实的做法是将 AI 用于筛选可疑样本，再由人工复核，而不是完全自动化决策。
值得关注的后续
第一，作者或其他开发者是否会针对化妆品品类推出专门训练的判别模型，并公开在真实样本上的正检率与误报率数据。第二，Grover Lab 等研究机构在药片物理特征识别上的进展，能否将“微观结构比对”的思路迁移到消费品领域，形成对抗伪造方的新防线。第三，大模型厂商是否会针对“细粒度一致性判断”推出专门的评测基准或工具，帮助开发者更理性评估模型在真伪鉴别类任务上的实际能力，而不是被演示效果误导。
来源：hackernews
