多伦多大学等机构提出了规范级推理评估基准SpecBench，以评估软件工程Agent在规范设计阶段的能力。研究显示，GPT-5.4在基础级任务的准确率为62.1%，但在进阶和困难级任务中显著下降，分别为44.4%和28.7%。这表明当前Agent在规范推理上的能力低于预期，强调了规范设计在软件工程中的重要性。SpecBench为评估提供了标准化工具，推动评估体系向规范层面扩展。