评估跨语言文本分类器的性能通常可以通过以下步骤来完成：
数据准备：准备不同语言的文本数据集，并确保数据集中包含不同语言的文本样本以进行跨语言分类。
模型训练：使用spaCy或其他机器学习框架训练跨语言文本分类器。在训练过程中，可以使用多语言文本数据集进行模型训练。
模型评估：使用不同语言的测试数据集对训练好的跨语言文本分类器进行评估。可以使用准确率、召回率、F1分数等指标来评估模型的性能。
跨语言性能评估：除了常规的模型评估指标外，还可以通过测试不同语言的文本数据集来评估模型在不同语言上的性能表现。可以比较模型在不同语言上的性能差异，从而评估跨语言文本分类器的性能。
调优和改进：根据评估结果，可以对模型进行调优和改进，以提高跨语言文本分类器的性能和泛化能力。
总之，评估跨语言文本分类器的性能需要综合考虑模型在不同语言上的表现，以及常规的模型评估指标，从而全面评估模型的性能和泛化能力。