bug(evaluator): shuffle_question_options 丟棄非選項欄位，vision_mcq 開啟 shuffle 會評測到零題

[lianghsun]

問題

Evaluator.shuffle_question_options()（twinkle_eval/runners/evaluator.py:211）重建題目字典時，只保留 question / A–D / answer，其餘欄位全部被丟棄：

new_data = {"question": question_data["question"]}
for (old_key, text), (new_key, _) in zip(options, [...]):
    new_data[new_key] = text
    if text == correct_option_text:
        new_data["answer"] = new_key
return new_data

而 vision 路徑在 shuffle 之後才讀圖片欄位（evaluator.py:783）：

if self.shuffle_options:
    q = self.shuffle_question_options(q)
...
image_path = q.get(image_field) or q.get("image_url") or q.get("image")
if not image_path:
    log_error(f"問題 {idx + 1} 缺少圖片欄位 '{image_field}'，跳過")
    continue

影響

evaluation_method: vision_mcq + shuffle_options: true → 每一題的 image_path 都在 shuffle 時被清掉，全部命中「缺少圖片欄位」分支被 skip，評測到零題。

由於 _evaluate_dataset() 在 results 為空時才拋 EvaluationError，使用者看到的是「所有檔案評測均失敗」這種與實際原因無關的訊息，不易定位。

同樣的欄位遺失也會影響任何依賴額外欄位的路徑（例如 id、category 等後續分析欄位）。

重現

evaluation:
  dataset_paths: ["datasets/example/vision_mcq/"]
  evaluation_method: "vision_mcq"
  shuffle_options: true

建議修法

shuffle 時保留所有非選項欄位（以 dict 複製為基礎，只覆寫選項鍵與 answer），而不是從空 dict 重建。

次要問題（同函式）

以文字比對決定新正解：

if text == correct_option_text:
    new_data["answer"] = new_key

當兩個選項文字完全相同時，answer 會被指到最後一個相符的選項。改為以「原始鍵」比對更穩健。

相關：#140（同一函式的硬編碼 A/B/C/D 問題）