Property Finder 修正评测偏差，模型 F1 提升至 0.81

Property Finder 发现其评估标签中 96.8% 直接来自现有视觉语言模型的预测，而非人工核验，使替代模型在比较中天然处于劣势。团队重新人工标注 356 张阿联酋房源图片并改用多标签分类，配合提示词优化后，Llama 4 Maverick 17B Instruct 在开发集上的 Micro F1 从 0.55 提升到 0.81，相对提升 47%，成本降低 86%。 上述结果仅针对阿联酋图片；埃及的 230 张图片只用于跨区域核验，报道未给出其结果。成本与效果数据为截至 2025 年 12 月美国东部（俄亥俄）区域的估算值。 该方法由 AWS Machine Learning Blog 以教程形式发布，介绍如何在 Amazon Bedrock 上识别评测偏差、构建无偏基准并做进化式提示词优化以选出更优模型。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。