Calorii ChatGPT din poza mâncării: cât de precis e

Poate ChatGPT să calculeze caloriile dintr-o poză?

Da, ChatGPT poate calcula caloriile dintr-o poză, și de multe ori identifică mâncarea corect. Într-un test evaluat de specialiști, GPT-4 a identificat alimentele din fotografii reale de mese cu o precizie de 93,0% și un recall de 84,6%, adică un scor F1 de 88,6% (O'Hara et al. 2025, Nutrients). Problema apare la numărul atașat acelei mâncări: mărimea porției, grăsimea ascunsă și consistența răspunsului la întrebări repetate. Pentru tot mecanismul din spatele acestor cifre, vezi cum funcționează cele trei etape ale analizei unei poze.

Calculează ChatGPT calorii din poza mâncării, în general?

Da. Trimiți o poză cu o farfurie și ChatGPT numește preparatul, listează ingredientele aproximative și dă o estimare de calorii și macronutrienți. Partea asta funcționează bine pentru că modelele de vedere artificială recunosc mâncarea destul de ușor.

Partea grea nu e să recunoască orez și pui. E să le cântărească dintr-o imagine plată, fără riglă, fără senzor de adâncime și fără să știe cât ulei s-a folosit în tigaie. Aici numărul începe să se îndepărteze de realitate.

Cât de precis este ChatGPT la calorii, conform studiilor publicate?

Cercetările publicate dau un răspuns concret, nu o presupunere. Într-un studiu pe 114 fotografii, ChatGPT-4 a subestimat greutatea totală a mesei în 76,3% din cazuri, adică 87 din 114 fotografii (O'Hara et al. 2025, Nutrients).

Pe ansamblul celor 114 fotografii, diferența procentuală absolută dintre greutatea estimată de ChatGPT și cea măsurată a fost în medie de 27,8%, cu o deviație standard de 18,5%. Această cifră unică amestecă toate mărimile de porție la un loc.

Împărțit pe mărimea porției, tiparul devine mai clar. Porțiile mici nu au fost semnificativ diferite de greutatea măsurată (p=0,221). Porțiile medii și mari au fost subestimate semnificativ (p<0,001), deși studiul nu raportează o eroare medie separată pentru fiecare interval de mărime.

Acordul cu estimările proprii ale dieteticienilor, măsurat prin corelație intraclasă, a fost de 0,56 pentru energie, un interval descris în studiu drept slab până la moderat. Proteina a ieșit puțin mai bine, 0,67, moderat până la bun, în timp ce acordul pentru carbohidrați a fost de doar 0,31, slab.

Un alt studiu, pe mese de spital, a testat zece modele în total: trei modele multimodale generale și șapte aplicații dietetice specializate. Printre cele trei modele de top analizate în detaliu, inclusiv GPT-4o, corelația cu dieteticienii a variat între 0,82 și 0,89 pentru energie, dar doar între 0,41 și 0,48 pentru grăsimi (Isobe et al. 2026, Nutrients). Energia arată decent în medie. Nutrienții individuali, nu.

Alăturate, cifrele din studii arată un tipar pe care niciunul dintre ele nu îl formulează de unul singur.

Identificarea alimentelor este veriga cea mai solidă. Mărimea porției și conținutul de grăsime sunt cele mai slabe, iar consistența răspunsurilor stă la baza tuturor.

De ce subestimează ChatGPT porțiile mai mari?

Tiparul nu e întâmplător, ci legat de mărimea porției. Pe ansamblul celor 114 fotografii, eroarea medie absolută de greutate a fost 27,8% ± 18,5%, dar cifra acoperă toate mărimile de farfurie la un loc, nu una anume.

Împărțit pe intervale de mărime, porțiile mici nu au fost diferite statistic de greutatea măsurată (p=0,221). Porțiile medii și mari au fost subestimate semnificativ (p<0,001) (O'Hara et al. 2025, Nutrients).

Un model care citește o poză plată nu are riglă și nici informație de adâncime. O grămăjoară mică de mâncare arată aproximativ cât este. O farfurie mare, înaltă sau stratificată se comprimă vizual, iar modelul pare să estimeze conservator în loc să riște un număr foarte mare.

Asta înseamnă că eroarea nu e distribuită uniform pe parcursul săptămânii. O supă la castron poate ieși aproape de realitate. O farfurie plină, stivuită, e cea mai expusă la o subestimare tăcută.

De ce greșește ChatGPT cel mai mult la grăsimi?

Uleiul, untul și sosurile dispar în luciul de suprafață al unui preparat, iar o poză nu poate arăta cât s-a pus în tigaie. Studiul pe mese de spital a găsit o supraestimare a grăsimii de 33,8% până la 52,3% în toate modelele, o abatere semnificativă statistic (p<0,01) (Isobe et al. 2026, Nutrients).

Precizia în limita de ±10% față de valoarea măsurată spune aceeași poveste dintr-un alt unghi: 46,7% până la 73,3% din mese pentru energie, dar doar 6,7% până la 33,3% pentru grăsimi.

Acesta e un mecanism, nu o greșeală de judecată. Un model poate vedea luciu și deduce "cu ulei", dar nu poate vedea lingura care a produs acel luciu. Poți calcula tu însuți caloriile din ulei și sosuri pe care o poză nu le arată, folosind gratuit calculatorul de calorii din ulei, care pornește de la cât ai pus efectiv în tigaie, nu de la cât de lucioasă pare farfuria.

Dă ChatGPT același răspuns dacă îl întrebi de două ori?

Nu neapărat, și asta contează mai mult decât orice cifră de eroare izolată. Un studiu din 2026, conceput special pentru a testa acest lucru, a rulat aceleași fotografii de mese prin modele de limbaj de 60 de ori fiecare, apoi a comparat cât de mult variau predicțiile în cadrul aceleiași imagini față de cât variau între fotografii diferite ale aceleiași mese (Wang, Lane & Waki 2026, JMIR Diabetes).

Cercetătorii au construit această metodă tocmai pentru că întrebările repetate pe o poză identică nu converg spre un singur număr fix. Studiul O'Hara confirmă acest decalaj din altă direcție, spunând direct că testarea reproductibilității nu a intrat în scopul cercetării (O'Hara et al. 2025, Nutrients).

Pentru o curiozitate de moment, variația asta abia se observă. Pentru urmărirea zilnică, unde vrei ca numărul de azi să însemne același lucru ca cel de ieri, este o problemă reală. Pentru o imagine mai largă despre aplicațiile de calorii cu inteligență artificială, nu doar ChatGPT, vezi cât de precise sunt, în ansamblu, aplicațiile de calorii cu AI.

Ce face ChatGPT diferit față de o aplicație de urmărire?

O fereastră de chat răspunde la o singură întrebare și apoi o uită. Nu are jurnal, nu are istoric, și nimic de editat înainte ca numărul să fie salvat undeva permanent.

Avocalo lucrează cu același tip de citire a fotografiei printr-un model de vedere artificială, fără nicio cifră de precizie proprie declarată, dincolo de ce arată studiile de mai sus pentru metoda de bază. Diferența e ce se întâmplă după apariția estimării: poți revizui și edita rezultatul înainte de a-l salva, iar acesta rămâne într-un jurnal continuu în loc să dispară la finalul conversației. Poți să fotografiezi o masă, apoi să editezi și să păstrezi rezultatul într-un istoric continuu direct din aplicație.

Pentru context asupra direcției în care merge industria, MyFitnessPal a lansat o aplicație în noua experiență ChatGPT Health în ianuarie 2026, oferind îndrumare pe macronutrienți, ținte personalizate, sprijin pentru gestionarea greutății și rețete din baza sa de date alimentare (comunicat de presă MyFitnessPal). Aceasta e o căutare într-o bază de date pentru îndrumare, nu o funcție de estimare din fotografii, și nu schimbă niciuna dintre cifrele de mai sus.

Merită să folosești ChatGPT pentru calorii cu inteligență artificială?

Folosește-l pentru o estimare aproximativă, ocazională, mai ales pe o farfurie cu unul sau două alimente vizibile și fără sos ascuns. Ratele de eroare publicate sugerează că aici funcționează cel mai bine.

Fii mai sceptic la o farfurie stivuită, un preparat prăjit sau cu sos, sau orice masă pe care vrei să o compari cu cea de mâine. Exact aici arată studiile citate cele mai mari decalaje, și tot aici e posibil ca nici măcar întrebarea repetată să nu dea același număr.

Capcane care strică tăcut rezultatul:

• Nu avea încredere într-o singură porție mare sau stivuită. Porțiile medii și mari au fost subestimate semnificativ în studiul O'Hara (p<0,001), în timp ce porțiile mici nu au fost (p=0,221).
• Nu presupune că o poză lucioasă înseamnă că modelul a "văzut" uleiul. Grăsimea a fost supraestimată cu 33,8% până la 52,3% într-un studiu, dar precizia în limita de ±10% față de valoarea reală a fost de doar 6,7% până la 33,3% pentru grăsimi, mult sub cei 46,7% până la 73,3% de la energie.
• Nu întreba aceeași poză de două ori așteptând același număr. Studiul din JMIR Diabetes a construit o metodă cu 60 de repetări tocmai pentru că răspunsurile variază de la o rulare la alta.
• Nu citi ICC-ul de 0,56 pentru energie ca pe un acord solid. Studiul însuși descrie acest interval drept slab până la moderat, nu apropiat.
• Nu extrapola precizia la carbohidrați din scorul de identificare a alimentelor. Identificarea a avut un F1 de 88,6%, dar acordul la carbohidrați cu dieteticienii a fost de doar 0,31.

Întrebări frecvente

Poate ChatGPT să citească o etichetă nutrițională în loc de o poză cu mâncare?

Studiile citate testează fotografii de mese, nu fotografii de etichete, deci nu există o cifră sursă pentru acest caz. O etichetă tipărită indică deja caloriile și macronutrienții, ceea ce elimină complet problema estimării porției dintr-o farfurie.

Ajută dacă îi ceri lui ChatGPT mai întâi ingredientele, înainte de estimare?

Niciunul dintre cele trei studii citate nu a testat o metodă în doi pași, cu ingredientele cerute întâi, deci nu există o cifră sursă în niciun sens. Limitarea de bază, lipsa unui reper de scară în poză, rămâne indiferent de formularea întrebării.

Este aplicația MyFitnessPal din ChatGPT același lucru cu numărarea caloriilor din poze?

Nu. A fost lansată în ianuarie 2026 și oferă îndrumare pe macronutrienți, ținte personalizate, sprijin pentru gestionarea greutății și rețete din baza de date MyFitnessPal, nu o funcție de estimare din fotografii. Este un instrument de căutare în bază de date, diferit de analiza vizuală a pozelor discutată în acest articol.

Se descurcă GPT-4o mai bine decât versiunile mai vechi de ChatGPT la acest lucru?

Studiul Isobe et al. 2026 a inclus GPT-4o printre cele trei modele de top analizate în detaliu și a găsit o corelație pentru grăsimi de 0,41 până la 0,48 pentru toate, fără să evidențieze o versiune clar superioară. Niciun studiu din acest articol nu izolează o ierarhie de precizie pe versiuni.

Poate ChatGPT să țină cont de uleiul de gătit dacă îi spui cât ai folosit?

Niciunul dintre studiile citate nu a testat solicitarea cu o cantitate declarată de ulei, deci nu există o cifră sursă pentru asta. Comunicarea cantității elimină însă exact acea sursă de ghicire pe care studiile o arată ca fiind cauza abaterii de supraestimare a grăsimii.

Surse

• O'Hara C, Kent G, Flynn AC, Gibney ER, Timon CM. An Evaluation of ChatGPT for Nutrient Content Estimation from Meal Photographs. Nutrients 2025, 17(4), 607, pentru precizia identificării alimentelor, subestimarea porțiilor și acordul cu dieteticienii. Nu există un echivalent local pentru precizia estimărilor din fotografii, sursa evaluată de specialiști fiind folosită ca atare.
• Isobe T, et al. Accuracy of AI-Based Nutrient Estimation from Standardized Hospital Meal Images. Nutrients 2026, 18(6), 966, pentru abaterea de supraestimare a grăsimii și corelațiile pe nutrienți individuali.
• Wang Z, Lane D, Waki K. Toward Robust AI-Assisted Dietary Assessment for Diabetes Self-Management. JMIR Diabetes 2026, pentru metodologia rulărilor repetate din spatele rezultatului privind reproductibilitatea.
• MyFitnessPal Launches App in New ChatGPT Health Experience, pentru context datat despre ce oferă efectiv integrările actuale cu ChatGPT.
• Vezi și politica editorială a Avocalo pentru modul în care sunt verificate și citate cifrele din acest ghid.

Publicat de Petros IT Solutions SRL. Ai găsit o eroare? Scrie-ne la [email protected].