二手婴儿床可能违法转卖，他做了个拍照查召回的工具

五美元的婴儿床，可能是一件被召回、根本不允许转卖的产品。而它身上没有任何东西会告诉你这件事。

这就是ClearToList想解决的问题。在美国，销售被召回的产品是违法的，哪怕是二手、哪怕你只是周末在Facebook Marketplace上翻货的一个人。而大量被召回的东西，恰好就是旧货店里堆成山的品类：婴儿床、摇篮、睡袋、高脚椅、推车、玩具。

开发者把2015年以来的CPSC召回数据全部拉了一遍。大约每5条召回里就有1条是儿童产品，而这些儿童产品中超过一半（55%）在产品数据里压根没列型号或UPC。想知道它是不是被召回，只能靠它长什么样。

市面上的召回查询工具都要文字输入：品牌、型号、你店铺目录里的SKU。一个二手转卖者的收获里这些全都没有——没盒子、没SKU，一半时候连品牌都不知道。

于是有了ClearToList。拍一张物品照片，它找出最接近的召回记录；再拍一张标签照片，用型号或UPC来定论。答案只有三种，以价格圆点贴纸的形式标在你自己的照片上：

• 已召回：物品上的型号或UPC与某条召回匹配，别上架。
• 查标签：它看起来像被召回的产品。仅凭这一点说明不了什么，所以它会要求你再拍标签。
• ⬜ 未找到匹配：什么都没匹配上。这从来不等于“安全”，所以故意没有绿色贴纸。

只有“已召回”才是警报。第一版里，东西只要看起来像被召回的产品也会报警。结果发现很多正常的白色婴儿床长得就像被召回的白色婴儿床，这次评估说服他砍掉了这个逻辑。

买家也能用。看到一条Marketplace商品？截图下来，付钱之前先查一遍。如果看起来像被召回的产品，页面会给出一段话，让你发给卖家索要标签照片。转卖者还能一次查一整批货（最多10张照片），拿到一份CSV或PDF报告。

谁来付钱

目前没人付，现在也不收任何费用。他对商业模式的猜测是：买家和随手查免费，父母不该为了知道一张婴儿床是否被召回而掏钱；转卖者按月付费，换取更大的批量、已查过的物品后来被召回时的提醒，以及每件物品带日期的“已检查”记录——买家回头找你时，这份记录就是你要的东西；寄卖店和儿童二手店按门店付费，它们每天从陌生人手里收二手婴儿用品，风险最高；Marketplace授权是远期设想，把检查嵌进转售应用的发布流程里。

怎么做的

数据来自CPSC召回API，2015年以来的全部召回，约3400条在范围内、约1.27万张产品照片。摄取只拉变化的部分，API挂了就退回缓存，一个GitHub Actions任务每晚刷新并重新部署站点数据。安全座椅不在其中，那归NHTSA管，不归CPSC。

扫描流程分几路：SigLIP 2在约1.27万张召回照片上做图像搜索；Gemma 4读取照片并返回JSON，包含物品类型、品牌、可见文字、型号、UPC；型号和UPC做精确匹配，品牌做匹配，EmbeddingGemma搜索召回文本；加权倒数排名融合把结果合到一起。普通产品照片由图像主导，只有当照片基本就是一张标签、Gemma确实读出了字，文本才会领先。

最终判定靠一条笨规则，不靠模型：编码匹配就是“已召回”，除非物品上的品牌与召回记录矛盾；最接近的照片非常相似就是“查标签”；否则“未找到匹配”。他想要一个十行代码就能读懂、而不是由模型非确定性给出的答案。

选读取模型时，他在30张留出照片上试了Gemma 4 E2B和E4B。第一版提示词很糟，Gemma老说“婴儿产品”而不是“摇篮”；要求给出具体物品类型后两者都到15/30，E4B更快（中位数3.6秒对6.2秒），于是选了E4B。一次完整扫描约7秒。

一个坑是SigLIP放在GPU上留给Gemma和EmbeddingGemma的空间太小，Ollama每次扫描都要换入换出，多花25秒。把SigLIP挪到CPU后问题解决，在CPU上仍然远低于一秒。

站点跑在Render免费层，自身不跑模型。照片检查进入一个小型内存队列，一个独立的GPU worker通过签名的HTTPS外连取任务，不接受任何入站连接，只回传召回ID和匹配到的编码，Render在显示“已召回”之前会用自己的数据副本再核一遍编码。

安全方面：上传按实际字节校验，上限8MB、约3000万像素，并重新编码以剥离GPS和文件里的隐藏内容；照片只存在内存里，检查完立刻删除；按人限流、免费检查有每日上限、队列满了会拒绝、还有上传总开关；worker请求带时间戳和nonce做HMAC签名；Gemma从标签上读到的任何内容都视为不可信，不能决定判定结果，页面配有严格的内容安全策略；没有cookie、没有IP、没有追踪，只有匿名每日计数和一个“这有帮助吗”按钮。

实际学到了什么

每个测试查询都是一张留出的召回照片，被处理成手机拍摄的样子（裁切、旋转、暗光、模糊），这张照片及它的所有近似重复项都从索引里隐藏。唯一的得分方式就是找到同一条召回的其他照片。负样本用的是Wikimedia上同品类、正常未被召回的产品授权照片。规则在开发集上选定，测试只跑一次。

儿童产品的测试照片是物品照，几乎从不显示型号，所以“已召回”在那里基本不会触发——标签照片就是为此存在的。

• 只看物品照片，大约三分之一的时候能看到正确的召回；正确召回进入前三的比例是它的两倍（67%），但他只在匹配非常接近时才展示候选清单，因为每次都展示几乎会把开发集上所有正常产品都标出来。
• 标签才是可信度的来源。“已召回”五次里对四次，在124个相似品上没有发出一次误报。在标签特写上，Gemma读文字能找到图像搜索找不到的召回（60%对18%）。
• 他在动手前就设了止损线：儿童产品前三命中率约60%，否则放弃这个想法。预研冲到71%，测试落在67-69%。但这个数字回答的是“搜索够不够好到可以在上面盖东西”，不是“用户看到什么”。

在线上站点，儿童产品的“未找到匹配”还会显示三张灰色的“最接近的召回供核对”。加上这个，正确召回出现率是63%。代价是98%的正常相似品也会拿到建议，这正是它们被标成灰色、从不被称为匹配的原因。

这些数字跑了三轮才拿到。第一轮里有个Gemma“验证器”，准确率大约一半，还对31%的正常儿童物品报了警。

为什么开源创新重要

账只有在一次扫描基本免费时才算得过来。一个转卖者一周可能查几百件物品。在开源模型上，一次扫描的成本只是API调用的一小部分，而且没有随用量增长的按次账单。这决定了“对父母免费”是一个真承诺还是一次试用。

人们家里的照片保持私密。大家拍的是自己家里的东西，有时旁边就是孩子的东西。这些照片进他的worker、被检查、被删除，从不发给第三方模型API。

他能真正调优。强制Gemma输出严格JSON、把E2B换成E4B、把SigLIP挪到CPU、在开发集上选阈值，这些全部在仓库里版本化，不会因为供应商更新模型而让评估结果漂移。整条流水线以后还能在召回照片上做微调。

站点这周末才上线，所以还没有真实用户故事。如果你在eBay、Poshmark或Marketplace上翻货，或者在买二手婴儿用品，拿一件东西跑一遍，在评论里告诉他哪里对、哪里错。

这是筛查辅助工具，不构成法律建议。召回数据来自美国消费品安全委员会，与CPSC无关联、未获其背书。