刚刚，国际AI顶级学术会议ACL 2026最佳论文奖出炉！
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。
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的巨大缺陷，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）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，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。
为什么这项研究值得关注？
想象一位跨境电商（885642）卖家，要把一件商品出口到海外——他必须先给这件商品找到一个精确的10位海关编码（HS Code）。
听上去只是"分类"，实际上却要在一棵层层嵌套的规则树里一路推理下去：材质、用途、加工方式、使用场景……任何一个环节判断错误，整批货就可能被扣关或罚款。这项工作在现实中通常需要经验丰富的关务专家来完成。
阿里此次获奖的论文以此为切入点，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。
结果令人意外：表现最好的Agent系统准确率仅为约45%，而人类专家的准确率高达95%。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，说明这不是"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。
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。”
目前，HSCodeComp基准的数据集与评测代码已在Hugging Face和GitHub全面开源。我们希望这项工作将会启发学术界和工业界持续进行探索，一起推动Agent走向真正可用的"专家级"。
