Property Finder 修正 Amazon Bedrock 评估偏差并以 86% 降本选出 Llama 4 Maverick 17B Instruct

Property Finder 发现其评估集 96.8% 的标签直接继承自单一模型预测，导致任何替代模型在比较中处于结构性劣势。团队由领域专家重新标注 356 张阿联酋图片（另用 230 张埃及图片做跨区域检查），改用多标签分类与 Micro F1 主指标，并以 v0 到 v27 的进化式提示词优化循环迭代，v27 用 MIPROv2 自动优化。