Fix evaluation bias to unlock better models on Amazon Bedrock

Property Finder 团队发现其评估标签存在严重偏差，96.8% 来自现有模型预测而非人工验证，导致替代模型被误判。通过构建独立的人工标注集、采用多标签分类并应用进化式提示词优化，团队在 Amazon Bedrock 上选用 Llama 4 Maverick 17B Instruct 模型，实现准确率提升同时成本降低 86%。