Может ли ChatGPT посчитать калории по фото?

Может ли ChatGPT посчитать калории по фото?

Да, ChatGPT может посчитать калории по фото, и часто верно называет продукты на тарелке. В одном рецензируемом исследовании GPT-4 определял продукты на реальных фотографиях блюд с точностью 93,0% и полнотой 84,6%, что даёт F1-показатель 88,6% (O'Hara et al. 2025, Nutrients). Сложнее дело обстоит с цифрой, которая привязана к этому продукту: размером порции, скрытым жиром и стабильностью ответа при повторном запросе. Подробнее о том, как устроен весь процесс оценки, читайте в статье как работают ИИ-счётчики калорий по фото.

Умеет ли ChatGPT вообще считать калории по фотографии?

Да. Загрузите фото тарелки, и ChatGPT назовёт блюдо, перечислит примерные ингредиенты и даст оценку калорий и БЖУ. Эта часть работает хорошо, потому что модели зрения неплохо распознают еду.

Сложнее не назвать рис и курицу, а взвесить их по плоскому изображению без линейки, без датчика глубины и без представления о том, сколько масла ушло на сковороду. Именно здесь цифра начинает расходиться с реальностью.

Насколько сильно ошибается оценка ChatGPT, по данным исследований?

Опубликованные исследования дают конкретный ответ вместо догадки. В исследовании на 114 фотографиях ChatGPT-4 занижал общий вес блюда в 76,3% случаев, 87 из 114 (O'Hara et al. 2025, Nutrients).

По всем 114 фотографиям в среднем абсолютное процентное расхождение между весом, оценённым ChatGPT, и измеренным весом составило 27,8% со стандартным отклонением 18,5%. Эта цифра объединяет все размеры порций вместе.

При разбивке по размеру порции картина проясняется. Маленькие порции статистически значимо не отличались от измеренного веса (p=0,221). Средние и большие порции, наоборот, значимо занижались (p<0,001), хотя в исследовании не приводится отдельный средний процент ошибки для каждой категории размера.

Совпадение с оценками диетологов, измеренное через коэффициент внутриклассовой корреляции, составило 0,56 для энергетической ценности — диапазон, который в исследовании описан как слабый или умеренный. Белок показал результат чуть лучше, 0,67, от умеренного до хорошего, а совпадение по углеводам оказалось лишь 0,31, слабым.

Отдельное исследование на больничных блюдах протестировало десять моделей: три универсальные мультимодальные модели и семь специализированных диетических приложений. Среди трёх лучших моделей, включая GPT-4o, корреляция с диетологами составила от 0,82 до 0,89 по энергетической ценности, но лишь от 0,41 до 0,48 по жиру (Isobe et al. 2026, Nutrients). В среднем энергетическая ценность выглядит прилично. Отдельные нутриенты — нет.

Сведение цифр из разных исследований в одну таблицу показывает закономерность, которую ни одна работа по отдельности не формулирует.

Распознавание продукта — самое сильное звено цепочки. Размер порции и содержание жира — самые слабые, а под всем этим лежит проблема воспроизводимости.

Почему ChatGPT занижает крупные порции?

Закономерность не случайна, она связана с размером порции. По всем 114 фотографиям средняя абсолютная ошибка веса составила 27,8% ± 18,5%, но эта цифра охватывает все тарелки сразу, а не какой-то один размер.

При разбивке по категориям малые порции статистически не отличались от измеренного веса (p=0,221). Средние и крупные порции занижались значимо (p<0,001) (O'Hara et al. 2025, Nutrients).

Модель, читающая плоское фото, не имеет линейки и данных о глубине. Небольшая горка еды на снимке выглядит примерно так, как есть на самом деле. Большая, высокая или слоистая тарелка визуально сжимается, и модель, похоже, предпочитает осторожную догадку риску сильно завысить число.

Это значит, что ошибка распределена по неделе неравномерно. Одна тарелка супа может дать почти точный результат. Плотно заполненную обеденную тарелку вероятнее занизят незаметно для вас.

Почему именно жир ChatGPT оценивает хуже всего?

Масло, сливочное масло и соусы растворяются в блеске поверхности блюда, а фотография не показывает, сколько именно ушло на сковороду. Исследование больничных блюд обнаружило завышение жира от 33,8% до 52,3% в разных моделях, статистически значимое смещение (p<0,01) (Isobe et al. 2026, Nutrients).

Точность в пределах ±10% от измеренного значения показывает ту же картину с другой стороны: от 46,7% до 73,3% блюд для энергии, но лишь от 6,7% до 33,3% для жира.

Это механизм, а не ошибка суждения. Модель видит блеск и делает вывод "смазано маслом", но не может увидеть столовую ложку, которая этот блеск создала. Калории масла и соуса, которые фото не показывает, можно посчитать бесплатным калькулятором калорий масла для готовки, который отталкивается от того, что реально попало на сковороду, а не от того, насколько блестит тарелка.

Даёт ли ChatGPT одинаковый ответ при повторном запросе?

Не всегда, и это важнее любой отдельной цифры ошибки. Исследование 2026 года, специально созданное для проверки этого вопроса, прогнало одни и те же фотографии блюд через языковые модели по 60 раз каждую, а затем сравнило разброс предсказаний внутри одного изображения с разбросом между разными фотографиями одного и того же блюда (Wang, Lane & Waki 2026, JMIR Diabetes).

Исследователи разработали этот метод именно потому, что повторные запросы по одинаковому фото не сходятся к одному фиксированному числу. Исследование O'Hara подтверждает этот разрыв с другой стороны, прямо указывая, что проверка воспроизводимости вышла за рамки его задач (O'Hara et al. 2025, Nutrients).

Для разового любопытства такая изменчивость почти не заметна. Для ежедневного учёта, где сегодняшняя цифра должна значить то же самое, что и вчерашняя, это реальная проблема. Если вас интересует более широкая картина по ИИ-счётчикам калорий в целом, не только по ChatGPT, посмотрите статью о том, насколько точны приложения для подсчёта калорий с ИИ.

Чем ChatGPT отличается от приложения для учёта питания?

Окно чата отвечает на один вопрос и тут же забывает его. У него нет журнала, нет истории, и нечего редактировать перед тем, как число сохранится где-то надолго.

Avocalo работает по тому же принципу, распознавая изображение с помощью модели компьютерного зрения, без заявленного показателя точности сверх того, что показывают исследования выше для этого метода в целом. Разница в том, что происходит после появления оценки: вы можете проверить и отредактировать её перед сохранением, и она остаётся в постоянном журнале, а не исчезает по завершении разговора. Вы можете сфотографировать блюдо, а затем отредактировать и сохранить его в истории питания в приложении, скачав Avocalo для учёта калорий по фото.

Для контекста о том, куда движется отрасль: MyFitnessPal запустил приложение внутри нового сервиса ChatGPT Health в январе 2026 года, предлагая рекомендации по БЖУ, персональные цели, поддержку контроля веса и рецепты из своей базы продуктов (пресс-релиз MyFitnessPal). Это поиск по базе данных для рекомендаций, а не функция оценки по фото, и он не меняет ни одну из приведённых выше цифр.

Стоит ли использовать ChatGPT для подсчёта калорий?

Используйте его для грубой разовой оценки, особенно если на тарелке один-два хорошо различимых продукта без скрытого соуса. Опубликованные показатели ошибок говорят, что именно здесь модель работает лучше всего.

Будьте осторожнее с плотно заполненной тарелкой, жареным или политым соусом блюдом, а также с любым приёмом пищи, который вы планируете сравнить с завтрашним. Именно здесь цитируемые исследования показывают самые большие расхождения, и здесь повторный запрос может даже не дать того же числа.

Что незаметно портит результат:

• Не доверяйте на слово одной крупной или плотно уложенной порции. В исследовании O'Hara средние и крупные порции значимо занижались (p<0,001), тогда как малые нет (p=0,221).
• Не считайте, что глянцевое фото означает, будто модель заметила масло. Жир завышался от 33,8% до 52,3% в одном исследовании, при этом точность в пределах ±10% от истинного значения составила лишь от 6,7% до 33,3% для жира, намного ниже 46,7-73,3% для энергии.
• Не спрашивайте одну и ту же фотографию дважды, ожидая одинакового числа. Исследование в JMIR Diabetes построило метод с 60 повторами именно потому, что ответы меняются от запроса к запросу.
• Не читайте показатель ICC 0,56 по энергии как надёжное совпадение. Само исследование описывает этот диапазон как слабый или умеренный, а не близкий.
• Не переносите точность распознавания продукта на точность по углеводам. F1 распознавания составил 88,6%, но совпадение по углеводам с диетологами было лишь 0,31.

Часто задаваемые вопросы

Может ли ChatGPT прочитать этикетку продукта вместо фото блюда?

Цитируемые исследования тестируют фотографии готовых блюд, а не этикеток, поэтому подтверждённой цифры здесь нет. Печатная этикетка уже указывает калории и БЖУ, что полностью снимает проблему угадывания размера порции, которая возникает с блюдом на тарелке.

Улучшает ли оценку просьба сначала перечислить ингредиенты?

Ни одно из трёх цитируемых исследований не тестировало двухшаговый метод с перечислением ингредиентов заранее, поэтому подтверждённой цифры в любую сторону нет. Базовое ограничение, отсутствие эталона масштаба на фото, сохраняется независимо от формулировки запроса.

Приложение MyFitnessPal внутри ChatGPT это то же самое, что подсчёт калорий по фото?

Нет. Оно запущено в январе 2026 года и предлагает рекомендации по БЖУ, персональные цели, поддержку контроля веса и рецепты из базы продуктов MyFitnessPal, а не функцию оценки по фото. Это инструмент поиска по базе данных, отличный от анализа фотографий моделью компьютерного зрения, о котором говорится в этой статье.

Работает ли GPT-4o лучше прежних версий ChatGPT в этой задаче?

Исследование Isobe et al. 2026 включило GPT-4o среди трёх лучших моделей, разобранных подробно, и обнаружило корреляцию по жиру от 0,41 до 0,48 у всех них, не выделяя одну версию как явно превосходящую. Ни одно исследование в этом обзоре не приводит рейтинг точности по версиям.

Может ли ChatGPT учесть масло для готовки, если сообщить, сколько его использовано?

Ни одно из цитируемых исследований не тестировало запрос с указанным количеством масла, поэтому подтверждённой цифры для этого случая нет. Сообщение точного количества устраняет ту самую догадку, которая, согласно исследованиям, и является источником систематического завышения жира.

Источники

• 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 — данные о точности распознавания продуктов, занижении размера порции и совпадении с оценками диетологов.
• Isobe T, et al. Accuracy of AI-Based Nutrient Estimation from Standardized Hospital Meal Images. Nutrients 2026, 18(6), 966 — данные о систематическом завышении жира и корреляции по отдельным нутриентам.
• Wang Z, Lane D, Waki K. Toward Robust AI-Assisted Dietary Assessment for Diabetes Self-Management. JMIR Diabetes 2026 — методология повторных запусков, на которой основан вывод о воспроизводимости.
• MyFitnessPal Launches App in New ChatGPT Health Experience — контекст о текущих интеграциях ChatGPT на дату публикации.
• Роспотребнадзор (rospotrebnadzor.ru) — официальные рекомендации по безопасности питания, применимые к оценке домашних блюд наравне с зарубежными исследованиями выше.
• Также см. редакционную политику Avocalo о том, как проверяются и подтверждаются цифры в этом руководстве.

Издатель — Petros IT Solutions SRL. Заметили ошибку? Напишите на [email protected].