Paper2Rebuttal: Un Framework Multi-Agente per un'Assistenza Trasparente nella Redazione delle Risposte degli Autori

Paper2Rebuttal: A Multi-Agent Framework for Transparent Author Response Assistance

January 20, 2026

Autori: Qianli Ma, Chang Guo, Zhiheng Tian, Siyu Wang, Jipeng Xiao, Yuanhao Yue, Zhipeng Zhang

cs.AI

Abstract

Scrivere repliche efficaci è un compito ad alto rischio che richiede più della semplice padronanza linguistica, poiché esige un allineamento preciso tra l'intento del revisore e i dettagli del manoscritto. Le soluzioni attuali tipicamente trattano questo problema come una generazione diretta di testo, soffrendo di allucinazioni, critiche trascurate e mancanza di ancoraggio verificabile. Per affrontare queste limitazioni, introduciamo RebuttalAgent, il primo framework multi-agente che riformula la generazione di repliche come un'attività di pianificazione incentrata sulle evidenze. Il nostro sistema scompone feedback complessi in critiche atomiche e costruisce dinamicamente contesti ibridi sintetizzando riassunti compressi con testi ad alta fedeltà, integrando al contempo un modulo di ricerca esterna autonoma e on-demand per risolvere critiche che richiedono letteratura esterna. Generando un piano di risposta ispezionabile prima della stesura, RebuttalAgent garantisce che ogni argomento sia esplicitamente ancorato a evidenze interne o esterne. Convalidiamo il nostro approccio sul proposto RebuttalBench e dimostriamo che la nostra pipeline supera baseline solide in termini di copertura, fedeltà e coerenza strategica, offrendo un assistente trasparente e controllabile per il processo di revisione paritaria. Il codice sarà rilasciato.

English

Writing effective rebuttals is a high-stakes task that demands more than linguistic fluency, as it requires precise alignment between reviewer intent and manuscript details. Current solutions typically treat this as a direct-to-text generation problem, suffering from hallucination, overlooked critiques, and a lack of verifiable grounding. To address these limitations, we introduce RebuttalAgent, the first multi-agents framework that reframes rebuttal generation as an evidence-centric planning task. Our system decomposes complex feedback into atomic concerns and dynamically constructs hybrid contexts by synthesizing compressed summaries with high-fidelity text while integrating an autonomous and on-demand external search module to resolve concerns requiring outside literature. By generating an inspectable response plan before drafting, RebuttalAgent ensures that every argument is explicitly anchored in internal or external evidence. We validate our approach on the proposed RebuttalBench and demonstrate that our pipeline outperforms strong baselines in coverage, faithfulness, and strategic coherence, offering a transparent and controllable assistant for the peer review process. Code will be released.