Releaf
小动作。更轻的足迹。

一部手机、一棵树,以及物品的五个去处。
为本站用 Blender 制作的示意图。它用于解释思路,并非项目数据。
项目原始图片、图表和视频保留原文。
当下一步足够具体时,可持续生活就更容易开始。我参与打造的 Releaf 围绕人们已有的物品、他们想改变的习惯,以及一个分享这些尝试的社区。在友好的界面之下,这个应用是一次练习:把机器学习用在真正有用的地方,并让它对自己知道什么保持诚实。
从信息到日常习惯
Releaf 汇集了再利用日常材料的方法、对一个人一天碳排放的估算,以及一个分享有效做法的社区。目标是让环境信息在日常生活中有一个实用的位置:一个可以尝试的想法、一项可以记录的行动,或者一件可以展示给别人的事。进度以一棵经历十一个等级成长的树来呈现,奖励以水滴计数。
运行在手机上的分类器
应用当前的代码使用转换为 Core ML 的 EVA-02 Large 视觉模型识别垃圾。一张图像同时经过三个输出头:30 个物品类别、15 种材料和 4 种垃圾桶。在设备端运行意味着照片无需离开手机就能发挥作用,置信度低于设定阈值的预测会被标记出来,而不是以确定的结论呈现。如果设备端模型不可用,应用可以退回到服务器上的同一分类器。
用小图谱代替大模型
知道物品的名称还不等于给出了建议。Releaf 内置了一个知识图谱,包含 43 个节点(30 种物品、8 种材料和 5 个去向),由 118 条边相连,其嵌入由图注意力网络学习得到。处置建议是沿图中边的一次查找;“相似物品”则是嵌入之间的余弦相似度。将搜索迁移到这个图上之后,该功能不再依赖外部语言模型服务。
把猜测与算术分开的碳足迹记录
碳足迹记录功能需要用户主动开启。位置和运动读数在手机上汇总为 15 秒的时间窗,只上传这些汇总数据。一个经过校准的分类器推断出行方式,并在置信度较低时报告“未知”。随后,一个独立且可审计的步骤将距离乘以已公布的排放因子。该分类器是在基于物理的出行模拟器上训练的,因此它在模拟数据上近乎完美的准确率并不代表在真实手机上的表现。
与团队一起构建
作为 Rematter Cooperation 的联合创始人,我参与了 SwiftUI 应用、负责账户、奖励、成就和通知的 Django 后端,以及配套 AI 服务的开发。我们筹集了 2,000 美元资金,并在 2025 年中国高中生社会创新大赛暨孵化营中获得团队前两名。Releaf 的下载量超过 5,000 次。
从照片到有用的下一步。
- 01
一张图像,三个问题
EVA-02 Large 分类器接收 448 × 448 的图像,并基于共享表示回答三个问题:这是什么物品、由什么制成、应该放进哪个垃圾桶。在留出图像上的准确率因评估集不同约为 90% 到 94%,其中厨余垃圾和玻璃瓶是表现最弱的类别。模型以 16 位精度导出为 Core ML 格式,供手机使用。
- 02
通过图查找给出指导
图注意力网络(GATv2)为 43 个节点各学习一个 64 维嵌入。应用将图以普通数据的形式内置,因此把预测转化为指导只需一次邻居查找和一次相似度搜索,二者都能离线运行。相似度分数用于对候选项排序;它们不是表示某个再利用想法可行的校准概率。
- 03
在部分故障下有用
配套服务把工作分配给网关、视觉、检索、知识图谱和响应生成几个环节。当某个服务缺失时,编排器会把响应标记为部分结果,后备路径则保证仍能给出一个较简单的答案。不可用的功能会被如实报告,而不是被掩盖过去。
这些细节描述的是应用当前的代码及其配套 AI 代码仓库,该仓库报告其已达到预发布(staging)就绪状态。它们与已发布应用的下载数据无关,此处描述的功能也并非都已确认发布。
查看配套 AI 代码仓库诚实的边界。
- 下载量、资金和竞赛数据来自我的简历,并非使用量或留存数据。
- 碳排放数字是根据距离和已公布的排放因子得出的估算值,并非对个人真实碳足迹的测量。
- 出行方式分类器只在模拟行程上进行过评估,其在真实设备上的准确率尚不清楚。

一条由微小而真实的行动组成的动态。
早期版本中的社区页面:使用应用的人分享的再利用点子。上方岛屿上立着的手机显示的也是这张截图。
应用实际截图。后续版本将标签页重新组织为“创作”“影响”和“社区”。


