修复评估偏差以解锁 Amazon Bedrock 上的更优模型

Property Finder 发现其 96.8% 的评估标签直接继承自单一模型预测，导致评估基准系统性偏向现有模型。 团队通过 356 张 UAE 图像的人工独立标注建立无偏基准，结合演化提示优化将成本降低 86% 并提升准确率。 该案例展示了避免循环评估陷阱的方法，确保模型对比基于真实正确性而非现有模型行为。