Property Finder 修复评测偏差，选出更优模型

Property Finder 发现，其视觉语言模型评测标签中有 96.8% 直接来自现有模型的预测，而非人工核验，导致替代模型在对比中结构性吃亏。团队重新人工标注 356 张阿联酋图像，改用多标签分类，并在 Amazon Bedrock 上通过进化式提示词优化迭代至 v27，最终选出准确率更高、成本降低 86% 的模型。 据 AWS Machine Learning Blog 称，上述成本与准确率数字为截至 2025 年 12 月美国东部（俄亥俄）区域的估算；Llama 4 Maverick 17B Instruct 的成本按每张图像 9,000 输入 token、200 输出 token 计算。该博客同时说明，评测集包含 256 张开发图像，两个模型的提示词均在这些图像上调优，因此所得分数偏乐观。

AI 根据报道生成 · 57 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。