Consensus-based Agentic Large Language Model Framework for Harmonized Tariff Schedule Code Classification

Содержание и границы

Вывод работы: Точное 10-значное HTS-кодирование остаётся сложным даже для продвинутых LLM: у лучшей модели (Gemini-3.1-Pro) средняя точность по уровням иерархии — 59.45%, точность полного кода (whole-code) — лишь 40.97%; у GPT-OSS-120B — 49.17% и 14.58% соответственно; у Qwen3-30B — 34.44% и 6.94%. Точность падает от грубого уровня главы тарифа к детальному уровню суффикса (Gemini: с 74.31% на уровне главы до 47.92% на уровне суффикса) — ошибка на верхнем уровне иерархии подрывает весь код целиком (path-dependent). Авторы делают вывод, что нужны evidence-grounded, uncertainty-aware и human-centered процессы классификации, а не полностью автономное однопроходное предсказание.

Объём чтения: full_text

transfer_limits: Оценка проведена на приватном датасете из 3300 записей одной юрисдикции (Канада, 10-значный код) — авторы сами пишут, что национальные тарифные расширения сильно различаются между странами (например, 8-значный AHTN во Вьетнаме/АСЕАН против 10-значного канадского кода), и перенос фреймворка в другую юрисдикцию требует адаптации выходной структуры и локальных правовых источников для RAG. Сопоставимые размеченные датасеты трудно получить в других юрисдикциях (нужна экспертиза классификатора); человеко-контролируемая эскалация зависит от доступности опытных локальных экспертов, что не гарантировано; для неанглоязычных юрисдикций перевод официальных тарифных материалов может снижать качество поиска и юридическую точность. Работа не измеряет влияние на реальное время таможенной очистки или финансовые результаты порта/компании — это офлайн-точность классификации на историческом датасете, а не полевой эффект внедрения.

Продолжение: Единственная найденная за период работа, специфично посвящённая ИИ-агентам для таможенной классификации (customs/HTS); прямых аналогов по другим процессам ВЭД (документы, денайд-парти скрининг) в выборке не найдено — см. notes.md.