此处的评估横跨视觉（图像相关指标）和语言（文本指标）两个领域，以展示所提模型的通用性和稳健性。
VIST Final-Step 评估
第一组实验涉及单步评估，即根据最后一步的 prompt 模型生成相应的图像，结果如表 1 所示。
在所有三种设置中，MiniGPT-5 的性能都优于微调后的 SD 2。值得注意的是，MiniGPT-5（LoRA）模型的 CLIP 得分在多种 prompt 类型中始终优于其他变体，尤其是在结合图像和文本 prompt 时。另一方面，FID 分数凸显了 MiniGPT-5（前缀）模型的竞争力，表明图像嵌入质量（由 CLIP 分数反映）与图像的多样性和真实性（由 FID 分数反映）之间可能存在权衡。与直接在 VIST 上进行训练而不包含单模态配准阶段的模型（MiniGPT-5 w/o UAS）相比，虽然该模型保留了生成有意义图像的能力，但图像质量和一致性明显下降。这一观察结果凸显了两阶段训练策略的重要性。
VIST Multi-Step 评估
在更详细全面的评估中，研究者系统地为模型提供了先前的历史背景，并随后在每个步骤中对生成的图像和叙述进行评估。
表 2 和表 3 概述了这些实验的结果，分别概括了图像和语言指标的性能。实验结果表明，MiniGPT-5 能够在所有数据中利用 long-horizontal 多模态输入 prompt 生成连贯、高质量的图像，而不会影响原始模型的多模态理解能力。这凸显了 MiniGPT-5 在不同环境中的功效。
VIST 人类评估
如表 4 所示，MiniGPT-5 在 57.18% 的情况下生成了更贴切的文本叙述，在 52.06% 的情况下提供了更出色的图像质量，在 57.62% 的场景中生成了更连贯的多模态输出。与采用文本到图像 prompt 叙述而不包含虚拟语气的两阶段基线相比，这些数据明显展示了其更强的多模态生成能力。
