जनरेटिव AI तेजी से विकसित हो रहा है, लेकिन इसके प्रदर्शन का व्यापक मूल्यांकन करना हमेशा एक चुनौती रहा है। विभिन्न मॉडल लगातार सामने आ रहे हैं, और उनके परिणाम भी अधिक शानदार हो रहे हैं। लेकिन सवाल यह है कि इन टेक्स्ट-टू-इमेज मॉडलों के परिणामों का मूल्यांकन कैसे किया जाए? पारंपरिक मूल्यांकन विधियां या तो मानव आंखों पर निर्भर करती हैं, जो अत्यधिक सब्जेक्टिव होती हैं; या फिर कुछ सरल मापदंडों का उपयोग करती हैं, जैसे कि CLIPScore, लेकिन ये मापदंड अक्सर जटिल टेक्स्ट संकेतों में विवरणों को पकड़ने में असफल रहते हैं, जैसे कि वस्तुओं के बीच के रिश्ते, तार्किक तर्क आदि। इसने कई टेक्स्ट-टू-इमेज मॉडलों के मूल्यांकन परिणामों को असटीक बना दिया है।