阿里斩获国际AI顶会最佳资源论文奖，提出Agent评测新范式
15:51:26
来源：
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），是国内唯一斩获该奖项的中国公司。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，为升级大智能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，是大智能模型、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能力升级指明了方向。
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评审委员会介绍称：“该基准切中了Agent落地实践的高度重要挑战——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。”
阿里研究团队介绍称：“层级规则落地实践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。”
本文由阿里云提供，量子位获授权转载，观点归原作者所有。
2026年世界AI技术大会，7月17-7月20上海举办
AI聪明够了，行动呢？WAIC首夜，来聊点下一步的真实判断｜活动报名
行业首个具身原生世界动作模型来了！蚂蚁灵波推出LingBot-VA 2.0
第十一届中国航空创新创业大赛报名开启｜熵跃苍穹 无界新元
AI的下半场怎么走，这朵云知道
AI行业已进入算法算力双核心时代
阿里云上线团队版Token Plan，支持多坐席分配和管理
阿里QoderWork推“峰谷Token”，夜间使用Qwen3.7低至2折
涵盖QoderWork、Qoder Desktop等
燃爆！奥运8分钟AI影片火了，巴赫主席：感谢中国黑科技
本届奥运会上AI技术已遍地开花
阿里推出Qoder 1.0，可全面接管代码生成、验证和交付流程
Windows、macOS 和 Linux系统用户均可下载使用。
阿里推出Qwen3.5-Omni，多模态能力超越Gemini-3.1 Pro
每百万Tokens输入不到0.8元，比Gemini-3.1 Pro的1/10还低。