F1 分数合并了什么，又遗漏了什么

合并两项指标之前先理解它们^[1]

scikit-learn 的 F1 文档把它定义为精确率与召回率的调和平均。若生成图片为正类，精确率关注警报集合的类别构成，召回率关注已知生成集合的覆盖。F1 让两项结果形成一个便于记录的数字，但合并不意味着两种问题消失。阅读时应先看原始两项以及样本计数，再理解摘要，不能让一个简洁缩写遮住分母和任务条件。

调和平均会对较低的一项比较敏感，因此当清单质量很好却覆盖不足，或覆盖很好却混入许多误报时，摘要通常不会与较高的一项同样漂亮。这有助于避免只宣传单边优势，但它仍然是事先选定的一种评价规则。实际业务是否愿意接受相应取舍，需要由用途、后续动作和可接受后果说明，不能由公式自动决定。

相近摘要可能来自不同错误结构

两个工具的 F1 接近，并不表示它们产生相同警报，也不表示误报和漏报数量相同。一个可能给出较短而集中的清单，另一个可能覆盖更多生成材料但需要更多来源咨询。对审核人员，工作量和遗漏风险可能明显不同。采购或选用时应把两项指标拆开，同时查看误报照片和漏报生成图的实际计数，才知道摘要背后发生了什么。

个案争议中，也不能用总体 F1 判定哪个工具一定正确。摘要来自评估集合，而当前文件可能是未覆盖类型。最需要的是该图的可靠来源和制作过程，工具差异可以保留为提示冲突。若把其中较高的 F1 当成最终裁判，就把集合上的取舍规则迁移成了个体事实权威，超出统计本来提供的信息。

正确排除的照片不是它的全部关注

F1 主要围绕正类预测和实际正类的关系，不能独自说明全部拍摄照片的处理情况。输入中有大量照片时，误报比例和数量仍应单列；任务中还有格式拒绝、失败和无法确认标签等情况，也不能靠 F1 表达。一个总体摘要不可能同时覆盖所有运行条件，使用者应知道它关注了哪些结果、没有描述哪些环节。

若产品强调保护摄影作者免于错误指控，评估就需要重点看真实照片被误报的情况和后续处理方式。若任务用于清理明确生成素材库，则覆盖要求可能不同。两种用途都可参考 F1，但不宜把它当成唯一目标。指标应与所承诺的工作结果对应，而不是先选一个常见数字，再让所有场景围绕这个数字解释。

类别定义改变，摘要也会改变

把局部生成式编辑算作正类，和只把整图生成算作正类，可能得到不同结果。资料中若包含修复、拼贴和传统后期，必须说明标签规则。F1 本身不会告诉读者如何定义生成，也不会核实参考类别。论文和产品报告的分类任务只有清楚约定后，数字才有共同基础；否则同名指标并不代表相同问题。

也应说明哪一类被指定为正类。换用拍摄照片作为正类时，精确率和召回率对应的问题会变化。多类别任务还可能采用不同平均方式，各类别占比与权重影响摘要。普通读者不必记忆全部术语，但可以要求说明类别和平均规则，并避免将不同报告的数字直接贴到同一排行榜上，制造并不存在的共同标尺。

更重视某种错误需要明说

有些指标允许调整对精确率与召回率的侧重，但参数选择仍是一项评价偏好，不能代替对实际错误后果的分析。假如误报只触发内部咨询，与误报会直接拒绝作品，侧重点可能不同。所谓最优值应说明针对什么动作、使用了什么资料、由谁决定，不能以技术名称掩盖影响作者和使用者的规则选择。

更关心漏报也不等于可以随意公开所有高风险对象。提高覆盖后如果警报大量增加，团队必须有处理能力和中性沟通方式。更关心精确率也不等于低风险材料可以省略来源审查。不同侧重只能服务有限任务，无法让一种错误代价为零。将各类后果写成具体流程，往往比调整一个数学参数更能提升使用体验。

寻找最大值可能贴合已见材料

若评估者在同一批资料上尝试许多阈值，再只报告最高 F1，读者看到的是对已见集合挑出的结果。它不能自动代表未来材料。阈值选择与最终检验应有清楚区分，并记录规则版本。若没有独立检验，结论可以作为探索性观察，却不应宣传成稳定部署表现，更不能暗示某个阈值适合每种生成方式和文件处理条件。

本站没有因为文章而调整既有模型或阈值。理解最大值选择的问题，是帮助读者看评估边界，不是提供实时优化开关。工具介绍若只说达到某项最佳成绩，可以问它是在什么集合和什么规则下得到，是否包括失败输入。信息缺失时应缩小解释范围，不为数字补出完整的评估流程，也不立即断言对方一定夸大。

摘要要与材料量和难度一起看

一小组容易辨认的材料，可能得到很高摘要，却没有覆盖新的生成方式、强压缩或局部修改。另一组更复杂材料的摘要较低，也不能直接说明工具更差。比较需要尽量一致的文件与标签，并公开困难材料的构成。原始计数能让读者知道单个错误改变多少比例，来源多样性则说明数字覆盖了多少不同条件。

大量近似副本可能使数字看起来稳定，但并不等于材料广度充足。对评估应说明去重与分组，而不是把总文件数作为唯一可信依据。阅读者可以优先关心与自己用途相近的分组结果，并注意没有评估的部分。对于无法取得同条件对照的工具，只能比较公开说明和流程适用性，不宜从各自摘要拼出确定排名。

比较时还应统一是否计算任务失败。如果一种工具拒绝困难材料，另一种工具完成了全部输入，二者成功部分的 F1 可能看似接近，用户实际获得的覆盖却不同。可以把接受、完成和进入指标计算的数量分别列出，确保摘要没有悄悄忽略实际工作中需要人工处理的那部分材料。

把数字拆开再形成工作结论

一个实用阅读顺序是类别定义、资料条件、原始计数、精确率与召回率、最后才是 F1。然后再问警报怎样处理、重要图片是否独立核查、出错能否更正。这样的顺序让摘要建立在可以理解的事实之上，不会因缩写简洁就让工作判断跳过来源。数字可以帮助比较取舍，流程负责把取舍落实到具体对象。

对单张图，模型仍只提供其声明范围内的风险参考，F1 不会替它增加事件证明和版权判断能力。当检测与来源记录冲突，保留冲突并补充材料，而不是引用摘要压过一方。统计概念的价值在于让我们更准确地问问题：哪个集合、哪种错误、什么后果、谁来处理。回答这些以后，一个合并数字才有适当的位置。