AttFaceĐánh giá bởi bên thứ ba
Face Recognition
Verification và identification trong các identity workflow, xem xét accuracy cùng với lựa chọn threshold và hiệu năng runtime.
TAR / FNMRFMRLatencyTemplate size
AIPractix Benchmarks
AI Models,
Measured in the Real World.
Chúng tôi đánh giá các model phía sau sản phẩm qua độ chính xác, ngưỡng vận hành, latency và điều kiện triển khai thực tế — để biết không chỉ cái gì hoạt động tốt, mà còn hoạt động tốt ở đâu.
Nguyên tắc của chúng tôiMeasure honestly.
Compare globally.
Keep improving.
Compare globally.
Keep improving.
Kết quả công khai luôn đi cùng nguồn đánh giá và protocol khi có thể.
Đánh giá độc lập · Face Recognition
NIST FRTE 1:1
AttFace, được đánh giá bên ngoài phòng lab của chúng tôi.
AIPractix đã gửi aipractix-000 đến chương trình Face Recognition Technology Evaluation (FRTE) 1:1 của Viện Tiêu chuẩn và Công nghệ Quốc gia Hoa Kỳ (NIST). NIST đánh giá các thuật toán được gửi theo cùng protocol trên nhiều bộ dữ liệu face verification.
Với chúng tôi, đánh giá độc lập không phải là một chiếc huy hiệu. Đó là một phần của cách xây sản phẩm: đo trong cùng điều kiện với các nhà phát triển trên thế giới, học từ kết quả và tiếp tục cải thiện.
Xem kết quả AIPractix NIST FRTE 1:1Kết quả verification được ghi nhận*99.35%
- Đánh giá
- NIST FRTE 1:1
- Thuật toán
- aipractix-000
- Ngày gửi
- 12/05/2026
- Đơn vị phát triển
- AIPractix
* Hiệu năng face verification phụ thuộc vào bộ dữ liệu và ngưỡng vận hành. NIST FRTE báo cáo false non-match rate (FNMR) tại các false match rate (FMR) xác định trên nhiều bộ dữ liệu. Con số này không nên được hiểu là độ chính xác chung cho mọi tình huống triển khai. Hãy xem kết quả chính thức của NIST để có đầy đủ bối cảnh đánh giá.
Đánh giá model
Chúng tôi đo điều gì.
Một benchmark chỉ hữu ích khi task, dữ liệu, metric và môi trường đều rõ ràng. Chúng tôi công bố dần kết quả ở cấp model khi protocol đánh giá và phiên bản đã được chốt.
AttFaceĐánh giá nội bộ
Anti-Spoofing & Liveness
Presentation-attack detection được đánh giá riêng với recognition trên các tình huống print, replay và các dạng spoof khác.
ACERAPCERBPCERLatency
AttFaceĐánh giá nội bộ
Detection, Quality & Pose
Các model xác định khuôn mặt có hiện diện, đủ chất lượng và phù hợp cho recognition hoặc monitoring phía sau hay không.
RecallQualityPose errorRuntime
FeatSearchĐang đánh giá
Multimodal Retrieval
Image, semantic và similarity retrieval được đo cả về độ liên quan lẫn latency khi tìm kiếm trên quy mô index thực tế.
Recall@KPrecision@KmAPSearch latency
Kỷ luật đánh giá
Một con số cần có ngữ cảnh.
Mỗi kết quả chúng tôi công bố đều cần trả lời năm câu hỏi giống nhau, dù đến từ benchmark công khai, lab nội bộ hay bài test hướng đến production.
01Đã đo cái gì?Task, model và phiên bản cụ thể.
02Trên dữ liệu nào?Dữ liệu công khai, nội bộ hay sát với triển khai.
03Dùng metric nào?Độ chính xác hoặc sai số phù hợp với task.
04Trên phần cứng nào?CPU, GPU, mobile hay edge.
05Trong điều kiện nào?Threshold, resolution, scale và các ràng buộc liên quan.
Production AI
Accuracy chỉ là một phần của hệ thống.
Model có điểm cao nhất chưa chắc tạo ra hệ thống production tốt nhất. Ứng dụng thực tế còn phụ thuộc vào latency, độ ổn định, scale, privacy và nơi công nghệ cần chạy.
AccuracyLatencyScaleRobustnessPrivacyDeployment
Từ benchmark đến AI trong thực tế.
Khám phá AttFace và FeatSearch, hoặc chia sẻ workflow bạn cần xây dựng. Chúng tôi có thể cùng bạn chọn model, operating point và kiến trúc triển khai phù hợp.
Trao đổi dự án