國際AI頂級學術會議ACL 2026於7月8日公佈最佳論文獎項，阿里巴巴研究團隊在Deep Research Agent方向的研究成果獲評最佳資源論文獎，成為本屆唯一獲此獎項的中國公司。該獎項從全球12148篇投稿中選出，主會錄用率僅19%，最終僅4篇論文獲評Best Resource Paper，競爭極為激烈。

阿里獲獎論文以商品出口所需的10位海關編碼（HS Code）為切入點，提出了全新的專家Agent評測基準HSCodeComp。該基準要求Agent像資深關務專家一樣，將商品模糊的屬性描述與嚴格的關稅歸類規則對齊，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框架進行全面評測，結果顯示錶現最好的Agent系統準確率僅為45%左右，而人類專家準確率高達95%。

研究進一步揭示，單純堆砌推理時間並不能顯著縮小這一鴻溝，表明問題根源在於Agent架構本身的結構性瓶頸，而非算力不足。團隊識別出三大缺陷成因：過長的推理鏈導致Agent中途偏離正確路徑、領域知識不足造成規則誤用、推理幻覺使Agent生成缺乏事實依據的分類判斷。

在HSCodeComp基準測試中，阿里基於Qwen基座模型設計的Agent框架以65.0%的準確率位居AI系統首位，雖仍與人類專家存在差距，但已大幅領先其他AI系統。目前該基準的數據集與評測代碼已在Hugging Face和GitHub全面開源。

ACL評審委員會評價稱，該基準切中了Agent應用的高度重要挑戰，考察Agent對嚴格層級化自然語言規則的遵循能力，研究動機極具說服力，嚴謹的人類專家評測流程提供了高度可靠的能力上界。

阿里研究團隊指出，層級規則應用是現實世界中大量專業決策的核心能力，不僅存在於國際貿易，也廣泛存在於法律合規、醫療診斷、稅務審計等高價值垂類領域。HSCodeComp揭示了當前Agent的能力邊界，為構建真正可靠的專業AI系統提供了科學的評測標杆。這一成果不僅推動了Agent評測方法論的進步，也為大模型在跨境貿易等真實場景的落地提供了關鍵參考。