自动化文本到图像（Text-to-Image, T2I）模型的评估面临巨大挑战：必须依赖一个判别模型来评分生成结果的准确性，同时测试提示（test prompts）需精心设计，以确保对当前T2I模型具有足够挑战性，但对判别模型本身则不应构成困难。我们指出，满足这些约束条件可能导致基准测试随时间发生“基准漂移”（benchmark drift）——即静态的评估标准无法跟上新模型能力的演进。我们发现，目前最流行的T2I基准之一GenEval正面临这一严重问题。尽管GenEval在发布之初与人类判断高度一致，但随着时间推移，其评估结果已显著偏离人类认知，当前模型在该基准上的绝对误差最高达17.7%。这一程度的漂移强烈表明，GenEval早已被当前模型“饱和”，我们通过一项大规模人类评估研究进一步验证了这一点。为弥补这一评估空白，我们提出了新一代基准GenEval 2，其在基础视觉概念的覆盖范围和组合复杂度方面均有显著提升，实证表明该基准对当前T2I模型更具挑战性。同时，我们引入了一种新的评估方法——Soft-TIFA，该方法通过融合对基础视觉元素的判断来综合评估生成质量。我们证明，Soft-TIFA在与人类判断的一致性方面优于现有方法（如VQAScore等整体性判别模型），并认为其在长期中更不容易发生与人类对齐的漂移。尽管我们期望GenEval 2能成为未来多年内可靠的评估基准，但避免基准漂移远非易事。更广泛而言，本研究强调了对T2I模型及其相关自动化评估基准进行持续审计与迭代优化的重要性。