生成系AIの性能評価の手法は様々なものがあります。大まかに人間が行う性能評価とベンチマークで行う評価、自動で行う評価などがあります。

　人間が行う評価とはモデルが人間の求める挙動を示すかを人間が直接評価します。文法などを評価したり、同じ入力に対して2つの出力を表示し、人間が良い方を選択するABテストなどがあります。

　ベンチマークでの性能評価は様々なものがありますが、質疑応答に対して性能を評価するものや機械翻訳など特定のタスクであったり、複数のタスクを含むような評価セットがあります。

　自動評価指標はモデルが生成した時に自動的に参照した元々のテキストと一致するかを求めることで評価を行うもので様々なものがあります。