剛剛，國際AI頂級學(xué)術(shù)會議ACL 2026最佳論文獎出爐！

阿里研究團隊在Deep Research Agent方向的研究成果從全球一萬多篇投稿中脫穎而出，獲評最佳資源論文獎（Best Resource Paper），是國內(nèi)唯一獲得該獎項的中國公司。

該論文首次系統(tǒng)揭示了當前Agent在真實世界復(fù)雜規(guī)則推理中面臨的巨大缺陷，并提出了全新的專家Agent評測基準，為提升大模型在真實場景的可靠性指明了新方向。

ACL（國際計算語言學(xué)協(xié)會）是自然語言處理和計算語言學(xué)領(lǐng)域中歷史最悠久、最具權(quán)威性的國際學(xué)術(shù)組織，ACL 2026共收到12148篇投稿，僅19%被主會錄用，最終僅有4篇論文獲評Best Resource Paper。

為什么這項研究值得關(guān)注？

想象一位跨境電商（885642）賣家，要把一件商品出口到海外——他必須先給這件商品找到一個精確的10位海關(guān)編碼（HS Code）。

聽上去只是"分類"，實際上卻要在一棵層層嵌套的規(guī)則樹里一路推理下去：材質(zhì)、用途、加工方式、使用場景……任何一個環(huán)節(jié)判斷錯誤，整批貨就可能被扣關(guān)或罰款。這項工作在現(xiàn)實中通常需要經(jīng)驗豐富的關(guān)務(wù)專家來完成。

阿里此次獲獎的論文以此為切入點，提出了針對真實場景和專家水平的智能體新基準 HSCodeComp：它要求Agent像資深關(guān)務(wù)專家一樣，將商品模糊的屬性與嚴格的關(guān)稅歸類規(guī)則對齊，為商品精準映射到10位細分編碼。研究團隊對14個主流大模型和9個先進Agent框架進行了全面評測。

結(jié)果令人意外：表現(xiàn)最好的Agent系統(tǒng)準確率僅為約45%，而人類專家的準確率高達95%。更值得注意的是，研究還發(fā)現(xiàn)——單純堆更多推理時間（inference-time scaling）并不能顯著縮小這道鴻溝，說明這不是"算力問題"，而是 Agent 架構(gòu)本身的結(jié)構(gòu)性瓶頸。

該研究還進一步揭示了導(dǎo)致Agent系統(tǒng)缺陷的原因：首先過長的推理鏈導(dǎo)致Agent在中途偏離正確路徑，其次是領(lǐng)域知識不足導(dǎo)致規(guī)則誤用，最后由于推理幻覺造成Agent生成缺乏事實依據(jù)的分類判斷。這些發(fā)現(xiàn)為Agent能力提升指明了方向。

據(jù)介紹，阿里已基于該研究成果，在跨境貿(mào)易數(shù)字關(guān)務(wù)等場景中設(shè)計了以Qwen基座為核心的Agent框架，在HSCodeComp基準（10位編碼準確率）上的測試結(jié)果顯示，該Agent以65.0%的準確率穩(wěn)居AI系統(tǒng)第一位。

ACL評審委員會表示：“該基準切中了Agent應(yīng)用的高度重要挑戰(zhàn)——考察Agent對嚴格層級化自然語言規(guī)則的遵循能力，研究動機極具說服力；嚴謹?shù)娜祟悓＜以u測流程提供了高度可靠的能力上界?！?/p>

目前，HSCodeComp基準的數(shù)據(jù)集與評測代碼已在Hugging Face和GitHub全面開源。我們希望這項工作將會啟發(fā)學(xué)術(shù)界和工業(yè)界持續(xù)進行探索，一起推動Agent走向真正可用的"專家級"。