国际AI顶级学术会议ACL 2026于7月8日公布最佳论文奖项，阿里巴巴研究团队在Deep Research Agent方向的研究成果获评最佳资源论文奖，成为本届唯一获此奖项的中国公司。该奖项从全球12148篇投稿中选出，主会录用率仅19%，最终仅4篇论文获评Best Resource Paper，竞争极为激烈。

阿里获奖论文以商品出口所需的10位海关编码（HS Code）为切入点，提出了全新的专家Agent评测基准HSCodeComp。该基准要求Agent像资深关务专家一样，将商品模糊的属性描述与严格的关税归类规则对齐，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框架进行全面评测，结果显示表现最好的Agent系统准确率仅为45%左右，而人类专家准确率高达95%。

研究进一步揭示，单纯堆砌推理时间并不能显著缩小这一鸿沟，表明问题根源在于Agent架构本身的结构性瓶颈，而非算力不足。团队识别出三大缺陷成因：过长的推理链导致Agent中途偏离正确路径、领域知识不足造成规则误用、推理幻觉使Agent生成缺乏事实依据的分类判断。

在HSCodeComp基准测试中，阿里基于Qwen基座模型设计的Agent框架以65.0%的准确率位居AI系统首位，虽仍与人类专家存在差距，但已大幅领先其他AI系统。目前该基准的数据集与评测代码已在Hugging Face和GitHub全面开源。

ACL评审委员会评价称，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。

阿里研究团队指出，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、税务审计等高价值垂类领域。HSCodeComp揭示了当前Agent的能力边界，为构建真正可靠的专业AI系统提供了科学的评测标杆。这一成果不仅推动了Agent评测方法论的进步，也为大模型在跨境贸易等真实场景的落地提供了关键参考。