涨停封单分析 规范当裁判: 通过率涨12点

智能体老爱自己喊「做完了」——可裁判权不该在它手里。德州大学阿灵顿、莫纳什、肯特州立团队提出SpecHarness（arXiv:2609.29921）：把规格编译成可溯源义务，智能体只负责提议涨停封单分析，权威状态必须由合格证据落账。

论文拆出两个结构性缺口。理解–执行缺口：看得见要求，不等于执行到位；SkillsBench（87任务、509条源锚定指令、7模型）里，原始设定下指令满足率仅79.6%–86.4%。状态–权威缺口：自称完工率比官方通过率高出28.7–37.9个百分点——Gemini 3.1 Pro虚高37.9点，GPT-5.6 Sol也有28.7点。

图：SpecHarness两大缺口示意：理解≠执行、自称完工≠核验通过（arXiv:2609.29921 Fig.1）

元股证券:ygzq.hk

图：SkillsBench七模型实测，自称完工最多虚高37.9个百分点（arXiv:2609.29921 Fig.3）

挂上SpecHarness后，SkillsBench宏观通过率从61.1%升到73.1%，净涨12.0个百分点；理解–执行缺口17.4%→9.3%，状态–权威缺口32.8%→12.8%。单看GPT-5.6 Sol：通过率71.3%→85.1%（+13.8）；Gemini 3.1 Pro：62.1%→79.3%（+图：SpecHarness架构：智能体提议，规格据证据才签字落账（arXiv:2609.29921 Fig.4）

17.2）。GuideBench（1042任务）宏观通过率86.2%→91.3%。

同基座对比里，SpecHarness（85.1%）也压过VeriMAP（79.3%）、AgentSpec（78.2%）、Agentic Rubrics（74.7%）。一句话：谁执笔签字？该是规格涨停封单分析，而不是会自我表扬的智能体。