Alibaba giành giải Bài báo xuất sắc nhất tại hội nghị AI quốc tế với khung đánh giá Agent mới

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

08/07/2026 15:51:26 Nguồn: QbitAI

Ngày 8 tháng 7, hội nghị học thuật hàng đầu thế giới về AI là ACL 2026 đã công bố các giải thưởng bài báo xuất sắc nhất. Nghiên cứu của đội ngũ Alibaba trong lĩnh vực Deep Research Agent đã vượt qua hơn 10.000 bài báo gửi về từ khắp nơi trên thế giới để giành giải Best Resource Paper (Bài báo Tài nguyên Xuất sắc nhất), trở thành công ty Trung Quốc duy nhất đạt được giải thưởng này. Được biết, bài báo đã lần đầu tiên vạch trần một cách hệ thống những khiếm khuyết lớn mà các Agent hiện nay đang gặp phải trong việc suy luận các quy tắc phức tạp ở thế giới thực, đồng thời đề xuất một bộ tiêu chuẩn đánh giá chuyên gia Agent hoàn toàn mới, mở ra hướng đi mới nhằm nâng cao độ tin cậy của các mô hình ngôn ngữ lớn (LLM) trong các tình huống thực tế.

ACL (Hiệp hội Ngôn ngữ học Tính toán Quốc tế) được thành lập vào năm 1962, là tổ chức học thuật quốc tế lâu đời và có uy tín nhất trong lĩnh vực xử lý ngôn ngữ tự nhiên và ngôn ngữ học tính toán. Trong hệ thống đánh giá học thuật, ACL luôn đứng đầu bảng xếp hạng ảnh hưởng h5-index của Google Scholar trong lĩnh vực con về ngôn ngữ học tính toán, đồng thời là nơi công bố các bài báo cốt lõi về các công nghệ tiên tiến như mô hình ngôn ngữ lớn và Agent. Theo thông tin, ACL 2026 đã nhận được 12.148 bài báo, chỉ 19% trong số đó được hội nghị chính chấp nhận và cuối cùng chỉ có 4 bài báo được trao giải Best Resource Paper.

Bài báo đạt giải lần này của Alibaba lấy mã HS 10 chữ số (HS Code) cần thiết cho xuất khẩu hàng hóa làm điểm khởi đầu, đề xuất bộ tiêu chuẩn mới cho Agent mang tên HSCodeComp, hướng tới các tình huống thực tế và trình độ chuyên gia. Bộ tiêu chuẩn này yêu cầu Agent phải giống như một chuyên gia hải quan dày dạn kinh nghiệm, đối chiếu các thuộc tính mơ hồ của hàng hóa với các quy tắc phân loại thuế quan nghiêm ngặt để ánh xạ chính xác hàng hóa vào mã phân loại 10 chữ số. Đội ngũ nghiên cứu đã đánh giá toàn diện 14 mô hình ngôn ngữ lớn phổ biến và 9 khung (framework) Agent tiên tiến. Kết quả kiểm tra cho thấy, hệ thống Agent có hiệu suất tốt nhất chỉ đạt độ chính xác khoảng 45%, thấp hơn nhiều so với mức 95% của chuyên gia con người. Đáng chú ý hơn, nghiên cứu còn phát hiện ra rằng việc chỉ đơn thuần tăng thời gian suy luận (inference-time scaling) không thể thu hẹp đáng kể khoảng cách này, điều đó có nghĩa là nguyên nhân không nằm ở "vấn đề sức mạnh tính toán" mà là nút thắt cấu trúc của chính kiến trúc Agent.

Nghiên cứu này còn chỉ ra thêm các nguyên nhân dẫn đến khiếm khuyết của hệ thống Agent: Thứ nhất, chuỗi suy luận quá dài khiến Agent đi chệch khỏi lộ trình đúng giữa chừng; thứ hai, kiến thức chuyên môn không đủ dẫn đến việc áp dụng sai quy tắc; cuối cùng, ảo giác suy luận (inference hallucination) khiến Agent đưa ra các phán đoán phân loại thiếu căn cứ thực tế. Những phát hiện này đã chỉ ra hướng đi cho việc nâng cao năng lực của Agent.

Trong bài kiểm tra tiêu chuẩn HSCodeComp, Agent do Alibaba thiết kế đã đạt độ chính xác 65,0%.

Hiện tại, tập dữ liệu và mã đánh giá của tiêu chuẩn HSCodeComp đã được mở nguồn hoàn toàn trên Hugging Face và GitHub. Theo thông tin, dựa trên kết quả nghiên cứu này, Alibaba đã thiết kế một khung Agent lấy mô hình nền tảng Qwen làm cốt lõi trong các tình huống như dịch vụ hải quan kỹ thuật số trong thương mại xuyên biên giới. Kết quả kiểm tra trên tiêu chuẩn HSCodeComp (độ chính xác mã 10 chữ số) cho thấy, Agent này đứng đầu trong các hệ thống AI với độ chính xác 65,0%.

Hội đồng đánh giá ACL nhận định: "Bộ tiêu chuẩn này đánh trúng vào một thách thức quan trọng của ứng dụng Agent – đó là kiểm tra khả năng tuân thủ các quy tắc ngôn ngữ tự nhiên có phân cấp nghiêm ngặt của Agent. Động lực nghiên cứu rất thuyết phục; quy trình đánh giá nghiêm ngặt bởi chuyên gia con người đã cung cấp một giới hạn trên về năng lực có độ tin cậy cao."

Đội ngũ nghiên cứu của Alibaba cho biết: "Việc áp dụng các quy tắc phân cấp là năng lực cốt lõi trong nhiều quyết định chuyên môn ở thế giới thực, không chỉ tồn tại trong thương mại quốc tế mà còn phổ biến trong các lĩnh vực giá trị cao như tuân thủ pháp luật, chẩn đoán y tế, kiểm toán thuế. HSCodeComp đã vạch ra ranh giới năng lực của các Agent hiện nay, đồng thời cung cấp một thước đo khoa học để xây dựng các hệ thống AI chuyên nghiệp thực sự đáng tin cậy."

Bài viết này do Alibaba Cloud cung cấp, QbitAI được ủy quyền đăng tải lại, quan điểm thuộc về tác giả gốc.

Bản quyền thuộc về tác giả, không được phép sao chép hoặc sử dụng dưới bất kỳ hình thức nào nếu không có sự cho phép, mọi hành vi vi phạm sẽ bị xử lý theo pháp luật.