阿里斩获国际AI顶会最佳资源论文奖，提出Agent评测新范式

7月8日，国际AI顶级学术会议ACL 2026公布了最佳论文奖项，阿里研究团队在Deep Research Agent方向的研究成果从全球一万多篇投稿中脱颖而出，获评最佳资源论文奖（Best Resource Paper），是国内唯一获得该奖项的中国公司。据悉，该论文首次系统揭示了当前Agent在真实世界复杂规则推理中面临巨大缺陷，并提出了全新的专家Agent评测基准，为提升大模型在真实场景的可靠性指明了新方向。

ACL（国际计算语言学协会）成立于1962年，是自然语言处理和计算语言学领域中历史最悠久、最具权威性的国际学术组织。在学术评价体系中，ACL长期位居谷歌学术计算语言学子领域的h5-index影响力榜首，是大模型、Agent等前沿计技术的核心论文首发阵地。据介绍，ACL 2026共收到12148篇投稿，仅19%被主会录用，最终仅有4篇论文获评Best Resource Paper。

阿里此次获奖的论文以商品出口所需的10位海关编码（HS Code）为切入点，提出了针对真实场景和专家水平的智能体新基准 HSCodeComp，它要求 Agent像资深关务专家一样，将商品模糊的属性与严格的关税归类规则对齐，为商品精准映射到10位细分编码。研究团队对14个主流大模型和9个先进 Agent框架进行了全面评测。测试结果显示，表现最好的Agent系统准确率仅为45%左右，远低于人类专家95%的准确率。更值得注意的是，研究还发现单纯堆更多推理时间（inference-time scaling）并不能显著缩小这道鸿沟，这意味着这背后并非"算力问题"，而是Agent架构本身的结构性瓶颈。

该研究还进一步揭示了导致Agent系统缺陷的原因：首先过长的推理链导致Agent在中途偏离正确路径，其次是领域知识不足导致规则误用，最后由于推理幻觉造成Agent生成缺乏事实依据的分类判断。这些发现为Agent能力提升指明了方向。

在 HSCodeComp基准测试中，阿里设计的Agent准确率达到65.0%

目前，HSCodeComp基准的数据集与评测代码已在Hugging Face和 GitHub全面开源。据介绍，阿里已基于该研究成果，在跨境贸易数字关务等场景中设计了以Qwen基座模型为核心的Agent框架，在HSCodeComp 基准（10 位编码准确率）上的测试结果显示，该Agent以65.0%的准确率稳居AI系统第一位。

ACL评审委员会表示：“该基准切中了Agent应用的高度重要挑战——考察Agent对严格层级化自然语言规则的遵循能力，研究动机极具说服力；严谨的人类专家评测流程提供了高度可靠的能力上界。”

阿里研究团队表示："层级规则应用是现实世界中大量专业决策的核心能力，不仅存在于国际贸易，也广泛存在于法律合规、医疗诊断、税务审计等重要高价值垂类领域。HSCodeComp揭示了当前Agent的能力边界，也为构建真正可靠的专业AI系统提供了科学的评测标杆。"

7月8日，国际AI顶级学术会议ACL 2026公布了最佳论文奖项，阿里研究团队在Deep Research Agent方向的研究成果从全球一万多篇投稿中脱颖而出，获评最佳资源论文奖（Best Resource Paper），是国内唯一获得该奖项的中国公司。据悉，该论文首次系统揭示了当前Agent在真实世界复杂规则推理中面临巨大缺陷，并提出了全新的专家Agent评测基准，为提升大模型在真实场景的可靠性指明了新方向。

ACL（国际计算语言学协会）成立于1962年，是自然语言处理和计算语言学领域中历史最悠久、最具权威性的国际学术组织。在学术评价体系中，ACL长期位居谷歌学术计算语言学子领域的h5-index影响力榜首，是大模型、Agent等前沿计技术的核心论文首发阵地。据介绍，ACL 2026共收到12148篇投稿，仅19%被主会录用，最终仅有4篇论文获评Best Resource Paper。

阿里此次获奖的论文以商品出口所需的10位海关编码（HS Code）为切入点，提出了针对真实场景和专家水平的智能体新基准 HSCodeComp，它要求 Agent像资深关务专家一样，将商品模糊的属性与严格的关税归类规则对齐，为商品精准映射到10位细分编码。研究团队对14个主流大模型和9个先进 Agent框架进行了全面评测。测试结果显示，表现最好的Agent系统准确率仅为45%左右，远低于人类专家95%的准确率。更值得注意的是，研究还发现单纯堆更多推理时间（inference-time scaling）并不能显著缩小这道鸿沟，这意味着这背后并非"算力问题"，而是Agent架构本身的结构性瓶颈。

该研究还进一步揭示了导致Agent系统缺陷的原因：首先过长的推理链导致Agent在中途偏离正确路径，其次是领域知识不足导致规则误用，最后由于推理幻觉造成Agent生成缺乏事实依据的分类判断。这些发现为Agent能力提升指明了方向。

在 HSCodeComp基准测试中，阿里设计的Agent准确率达到65.0%

目前，HSCodeComp基准的数据集与评测代码已在Hugging Face和 GitHub全面开源。据介绍，阿里已基于该研究成果，在跨境贸易数字关务等场景中设计了以Qwen基座模型为核心的Agent框架，在HSCodeComp 基准（10 位编码准确率）上的测试结果显示，该Agent以65.0%的准确率稳居AI系统第一位。

ACL评审委员会表示：“该基准切中了Agent应用的高度重要挑战——考察Agent对严格层级化自然语言规则的遵循能力，研究动机极具说服力；严谨的人类专家评测流程提供了高度可靠的能力上界。”

阿里研究团队表示："层级规则应用是现实世界中大量专业决策的核心能力，不仅存在于国际贸易，也广泛存在于法律合规、医疗诊断、税务审计等重要高价值垂类领域。HSCodeComp揭示了当前Agent的能力边界，也为构建真正可靠的专业AI系统提供了科学的评测标杆。"