← 回到部落格列表 · 2026.07.31
AI 圖片標籤模型指南：認識 General・Character・Rating 標籤
AnimeTag-AI 所使用的圖片標籤 AI 模型，是以 Danbooru 上數百萬張 二次元插圖訓練而成的標籤模型。輸入圖片後，模型會針對數千個標籤分別計算 「該標籤存在於這張圖片中的機率」並回傳結果。本文將整理結果中出現的三大 分類，以及該如何解讀 Confidence Score。
1. General 標籤 —— 資訊量最豐富的分類
General 涵蓋了角色的髮色、瞳色、表情、姿勢、服裝、背景、畫風等幾乎所有能從圖片中
觀察到的視覺屬性，是所有標籤中佔比最高的分類。像
1girl、blue_hair、school_uniform、
looking_at_viewer、simple_background 這類標籤全部都屬於這一類。
由於標籤數量壓倒性地多，直接檢視結果很容易讓資訊混雜在一起，而 AnimeTag-AI 的
「分類檢視」功能，正是為了將這些 General 標籤再細分為外觀・服裝・姿勢・背景等
類別而設計的。
2. Character 標籤 —— 角色/作品辨識
Character 分類是像 hatsune_miku 這類用來辨識特定角色或作品的標籤。
模型在訓練資料中出現次數愈多的知名角色，這一類別的辨識率就愈高；至於較冷門或原創角色，
則經常無法被辨識出來。Character 標籤留空並不代表發生錯誤，很可能只是該角色在訓練資料中
出現得不夠多。
3. Rating 標籤 —— 內容分級分類
Rating 是僅由 general、sensitive、questionable、
explicit 四種數值組成的特殊分類。它能自動判斷圖片的尺度，
可用於安全地篩選或分類資料集。這四個數值的機率總和會被正規化為接近 1，
因此數值最高的等級，就是模型判斷「最有可能」的分級。
4. Confidence Score 該如何解讀？
每個標籤都會附上一個介於 0～1 之間的 Confidence Score（信心分數）。與其說這是「機率」， 不如說它代表「模型有多強烈地判斷這個標籤是正確的」。0.9 以上幾乎可以確定； 0.35～0.6 區間屬於較模糊、但仍可參考的標籤；0.2 以下則多半接近雜訊。 AnimeTag-AI 的 Threshold 滑桿，正是依據這個數值來篩選標籤 —— 詳細的建議設定值請參考 Threshold 設定指南。
實際動手試試看
比起看理論，直接上傳圖片試試看最快。 將插圖上傳到 AnimeTag-AI，就能立即看到上述的 General/Character 標籤與 Rating；切換到「分類檢視」後，還能看到 General 標籤自動整理成 外觀・服裝・姿勢・背景等分類的樣子。