fix(eval): 修复vllm_eval截图排序bug并对齐reeval逻辑

- 修复_load_screenshots_from_dir中截图按字符串排序导致step_9被误判为最终帧的bug，改为数字排序
- 对齐reeval.py的prompt逻辑：明确要求模型优先检查最终截图（STEP 1 EXAMINE FINAL SCREENSHOT FIRST）
- 评估temperature从0.7降至0.2提升一致性
- 新增batch_reeval.py：基于test_final.json批量重评测已有轨迹
- 新增reeval.py：单任务重评测脚本（final-frame-anchored evaluation）
- test_final.json新增avogadro(11题)和origin(8题)

evaluation_examples/test_final.json

@@ -26,7 +26,7 @@
   ],
   "origin": [
     "Origin_User_Guide_2025b_E_task2",
-    "Origin_User_Guide_2025b_E_task3", 
+    "Origin_User_Guide_2025b_E_task3",
     "Origin_User_Guide_2025b_E_task4",
     "Origin_User_Guide_2025b_E_task5",
     "Origin_User_Guide_2025b_E_task8",
@@ -70,4 +70,4 @@
     "viewports_task10",
     "viewports_task11"
   ]
-}
+}