Sản phẩm multimodal (văn bản + hình ảnh) cần đánh giá chất lượng trên nhiều loại đầu vào. Bạn thiết kế eval ra sao?

Gợi ý: Bộ test riêng cho từng modality và cho tương tác chéo modality; chỉ số phù hợp từng loại.