本文指出，风格迁移的标准评估方法存在若干显著问题。首先，风格准确性和语义保留的标准度量在不同运行中差异显著，因此必须报告所获得结果的误差范围。其次，从输入到输出的双语评估理解（BLEU）值和情感迁移准确性开始优化时，这两个标准度量的优化方向偏离了风格迁移任务的直观目标。最后，由于任务本身的特性，这两个度量之间存在特定的依赖关系，这种依赖关系很容易被操纵。鉴于这些情况，我们建议在基准测试中考虑输入与人工重写版本之间的BLEU值。此外，我们还提出了三种新的架构，在这一度量上超越了现有最先进水平。