同一道菜拍两次，AI 给出的热量可能不同，因为它处理的是两张照片里的线索，不是直接测量盘子里的食物。距离、角度、光线、遮挡和容器稍有变化，食物看起来的面积与高度就会变化；即使照片很接近，模型对菜名和份量的推断也可能出现波动。
在 nosh 里，热量来自“识别食物、估算份量、匹配营养数据”这一整条链。前面任何一步变化，最后的数字都可能跟着变。两次结果不同不一定说明哪一次完全错了，更值得看的是差异来自哪里。
先分清，是同一盘饭拍了两次，还是同名的菜吃了两次
同一盘番茄炒蛋，站着俯拍一次，坐下斜拍一次。俯拍时鸡蛋铺满盘面的范围很大；斜拍时前面的番茄挡住一部分鸡蛋，盘子也显得更窄。食物没有变，照片交给 AI 的形状却变了。
另一种“同一道菜”其实只是菜名相同。今天的番茄炒蛋用了三个蛋，明天食堂那份可能番茄更多、油糖更多，份量也不同。这时热量不同不只是识别波动，两顿饭本来就不是同一个配方。
把这两种情况混在一起，很容易误判：同一盘饭的差异主要在拍摄与推断，同名菜的差异还包括真实做法与份量。
照片里的大小，不等于现实里的大小
手机靠近一点，半碗米饭可以占满画面；退远一点，同一碗饭又显得很小。俯拍能看见食物铺了多大，却不容易看见堆了多高；斜拍能看到高度，又可能产生遮挡。
容器也会制造错觉。相同份量放进小碗像是满满一碗，换到大盘里只占中间一圈。AI 可以把盘、碗和餐具当作线索，但如果它不知道容器的真实尺寸，这些线索仍然只是参照，不是尺子。
因此，第二次拍摄不只是把第一次“再做一遍”。只要相机位置或画面结构变化，系统面对的就是一份新的证据。
菜名只差一点，后面的数字可能差很多
同一块鸡肉，被判断为烤鸡、带皮炸鸡或水煮鸡胸，匹配到的营养数据并不一样。即使名称大致相同，份量从“小份”跳到“中份”，最后热量也会被放大。
这类差异比个位数波动更值得处理。两次结果一个是 618 千卡、一个是 636 千卡，未必需要反复重拍；一个把清蒸鱼认成炸鱼，或把半碗饭看成一整碗，就值得马上修正。
数字差多少不是唯一标准，还要看差异有没有改变你对这顿饭的理解。
不要连拍到出现一个喜欢的答案
同一顿饭拍了三次，分别出现 580、640 和 690 千卡，很容易挑一个最顺眼的保存。这样看似解决了波动，其实只是把估算变成了抽签。
更稳妥的做法，是保留最能看清整餐的一张，再检查三件事：主要食物有没有认错，实际吃掉的份量是否合理，饮料、配菜和明显酱料有没有漏掉。你知道的就改，不知道的就保留为估算。
nosh 当前允许修改名称、卡路里、份量和记录时间。与其靠重拍寻找一个理想数字，不如修正会改变结论的大错误。
如果想观察长期变化，拍法尽量一致
经常用 nosh 记录同一份早餐，可以把手机距离、角度和容器大致固定下来。例如都把完整餐盘拍进去，都在吃之前拍，都不把杯子留在画外。这样做不会让每次估算变成测量，却能减少由拍摄方式带来的额外波动。
不要把“一致”理解为每天必须摆出相同构图。真正需要一致的是记录口径：拍的是上桌份量还是实际吃掉的份量，饮料算不算进去，明显错误是否都修正。
AI 的两次答案不同，首先提醒我们的不是“再拍一次”，而是“照片改变了什么”。找到变化发生在哪一层，比要求每次出现完全相同的数字更有用。