阿里获ACL 2026最佳资源论文奖 提出Agent评测新基准
阿里新研究揭示当前AI Agent在复杂规则推理中准确率远低于人类，并提出新基准HSCodeComp，指明架构瓶颈而非算力问题。
阿里研究团队在ACL 2026上获最佳资源论文奖，提出Agent评测新基准HSCodeComp。测试发现，最强Agent在海关编码分类任务上准确率仅45%，远低于人类专家的95%，且增加推理时间无法缩小差距。根本原因在于推理链过长、领域知识不足和推理幻觉，而非算力问题。
正文摘录
阿里斩获国际 AI 顶会最佳资源论文奖，提出 Agent 评测新范式 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），是国内唯一获得该奖项的中国公司。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）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。