Standar penilaian terbuka + juri yang seragam, T2I akhirnya memiliki sistem penilaian yang kompetitif, tingkat keaslian dan kreativitas masih menjadi pembeda utama.

Tim Qwen dari Alibaba membuka sumber standar evaluasi gambar Qwen-Image-Bench dan wasit visual terpadu Q-Judger, digunakan untuk menilai kemampuan teks ke gambar (T2I). Meliputi lima dimensi kualitas gambar, estetika, kesesuaian gambar, keaslian, dan kreativitas, dengan 23 sub-kemampuan dan 56 indikator; termasuk 1000 kata petunjuk bilingual Cina-Inggris. 80 pengulas profesional melakukan penilaian buta, data lebih dari 130.000 pasangan anotasi, tingkat kesesuaian penilaian antara wasit dan manusia mencapai 92%. Dari 18 model pertama, GPT Image 2 menempati posisi teratas, model terbaik masih menunjukkan jarak yang signifikan dalam dimensi keaslian dan kreativitas, detail seperti ilustrator, gravitasi, cahaya dan bayangan masih menjadi hambatan umum.