O artigo *Evaluating Text-to-Visual Generation with Image-to-Text Generation* propõe uma nova métrica de avaliação, o VQAScore, capaz de avaliar melhor os resultados complexos da geração de imagens a partir de texto, e introduz o conjunto de benchmarks GenAI-Bench. O VQAScore, baseado no modelo CLIP-FlanT5, alcança o melhor desempenho na avaliação de geração de imagem, vídeo e 3D a partir de texto, sendo uma alternativa robusta ao CLIPScore. O GenAI-Bench oferece textos de cenários reais com combinações semânticas ricas, permitindo uma avaliação abrangente do desempenho dos modelos geradores.