Releaf
小動作。更輕的足跡。

一支手機、一棵樹,以及物品的五個去處。
為本網站以 Blender 製作的插圖。它用來說明概念,並非專案的資料。
專案原始圖片、圖表和影片保留原文。
當下一步具體可行時,永續就變得更容易親近。我協助打造 Releaf,圍繞著人們已經擁有的物品、想要改變的習慣,以及一個可以分享這些嘗試的社群。在親切的介面之下,這款應用程式是一次練習:把機器學習放在有用的地方,並讓它誠實面對自己知道些什麼。
從資訊到日常習慣
Releaf 匯集了再利用日常材料的方法、估算一個人一天碳排放的工具,以及分享成功經驗的社群。目標是讓環境資訊在日常生活中有實際用處:一個可以嘗試的點子、一個可以記錄的行動,或一件可以分享給別人的事。進度以一棵會成長十一個等級的樹呈現,獎勵則以水滴計算。
在手機上執行的分類器
應用程式目前的程式碼使用轉換為 Core ML 的 EVA-02 Large 視覺模型辨識垃圾。一張影像同時經過三個輸出頭:30 種物品類別、15 種材質和 4 種垃圾桶。在裝置上執行,意味著照片不必離開手機就能發揮作用;信心低於設定門檻的預測會被標記出來,而不是被當成確定的結果呈現。如果裝置端模型無法使用,應用程式可以改用伺服器上的同一個分類器。
用小型圖取代大型模型
辨認出名稱,還稱不上建議。Releaf 內建一張知識圖譜,由 118 條邊連接 43 個節點(30 種物品、8 種材質與 5 個去處),其嵌入向量由圖注意力網路學習而得。處理建議是沿著圖的邊進行查詢;「相似物品」則是嵌入向量之間的餘弦相似度。把搜尋移到這張圖上之後,這項功能不再依賴外部的語言模型服務。
把猜測與算術分開的碳足跡追蹤
碳足跡追蹤需由使用者自行選擇開啟。位置與動作讀數會先在手機上彙整為 15 秒的時間窗,只有這些摘要會上傳。經校準的分類器推斷交通方式,信心不足時會回報「未知」。接著由另一個可稽核的獨立步驟,把距離乘上公開的排放係數。這個分類器是在以物理為基礎的移動模擬器上訓練的,因此它在模擬中近乎完美的準確率,並不代表在真實手機上的表現。
與團隊一起構建
身為 Rematter Cooperation 的共同創辦人,我參與了 SwiftUI 應用程式、負責帳號、獎勵、成就與通知的 Django 後端,以及相關的 AI 服務。我們募得 2,000 美元資金,並在 2025 年中國高中生社會創新大賽暨孵化營中獲得團隊前兩名。Releaf 的下載量超過 5,000 次。
從照片到有用的下一步。
- 01
一張影像,三個問題
EVA-02 Large 分類器接收 448 × 448 的影像,從共用的表示中回答三個問題:這是什麼物品、由什麼材質製成,以及該丟進哪個桶。在保留的測試影像上,準確率依評估集不同約介於 90% 到 94%,其中廚餘與玻璃瓶是表現最弱的類別。模型以 16 位元精度匯出為 Core ML,供手機使用。
- 02
透過圖查詢提供建議
圖注意力網路(GATv2)為 43 個節點各學習一個 64 維的嵌入向量。應用程式以純資料形式內建這張圖,因此把預測轉化為建議,只需要一次鄰點查詢和一次相似度搜尋,兩者都能離線執行。相似度分數用於為候選項目排序,並不是「某個再利用點子會成功」的校準機率。
- 03
在部分故障下有用
相關服務把工作分給閘道、視覺、檢索、知識圖譜與回應等步驟。當某項服務缺失時,協調器會把回應標記為部分結果,備援路徑則讓較簡單的答案仍然可用。無法使用的功能會被如實回報,而不是被掩飾過去。
這些細節描述的是應用程式目前的程式碼及其相關 AI 儲存庫,該儲存庫回報的是預備上線(staging)的就緒狀態。它們與已發布應用程式的下載數字無關,此處描述的功能也並非都已確認發布。
查看相關 AI 儲存庫誠實的邊界。
- 下載量、資金與競賽數字來自我的履歷,並非使用量或留存率數據。
- 碳排放數字是根據距離和公開的排放係數推估的,並非對個人實際碳足跡的量測。
- 交通方式分類器只在模擬行程上評估過,在真實裝置上的準確率目前尚不清楚。

一串由真實小行動組成的動態。
較早版本的社群畫面:使用者分享的再利用點子。上方島嶼上那支手機顯示的也是同一張截圖。
應用程式的實際截圖。之後的版本將分頁重新整理為「創作」、「影響」與「社群」。


