Paper2Rebuttal: Een Multi-Agent Raamwerk voor Transparante Ondersteuning bij Auteursreacties
Paper2Rebuttal: A Multi-Agent Framework for Transparent Author Response Assistance
January 20, 2026
Auteurs: Qianli Ma, Chang Guo, Zhiheng Tian, Siyu Wang, Jipeng Xiao, Yuanhao Yue, Zhipeng Zhang
cs.AI
Samenvatting
Het schrijven van effectieve weerleggingen is een taak met grote gevolgen die meer vereist dan linguïstische vaardigheid, omdat een nauwkeurige afstemming tussen de intentie van de reviewer en de details van het manuscript nodig is. Bestaande oplossingen behandelen dit doorgaans als een directe tekstgeneratietaak, wat leidt tot hallucinaties, over het hoofd geziene kritiekpunten en een gebrek aan verifieerbare onderbouwing. Om deze beperkingen aan te pakken, introduceren wij RebuttalAgent, het eerste multi-agentframework dat weerleggingsgeneratie herformuleert als een op bewijs gebaseerde plannings-taak. Ons systeem decomposeert complexe feedback in atomare kritiekpunten en construeert dynamisch hybride contexten door gecomprimeerde samenvattingen te synthetiseren met hoogwaardige tekst, terwijl het een autonome en on-demand externe zoekmodule integreert om kritiekpunten die externe literatuur vereisen op te lossen. Door een inspecteerbaar reactieplan te genereren vóór het opstellen van de tekst, zorgt RebuttalAgent ervoor dat elk argument expliciet verankerd is in intern of extern bewijsmateriaal. Wij valideren onze aanpak op de voorgestelde RebuttalBench en tonen aan dat onze pijplijn sterke baseline-methoden overtreft op het gebied van dekking, betrouwbaarheid en strategische samenhang, waardoor een transparante en controleerbare assistent voor het peer review-proces wordt geboden. De code zal worden vrijgegeven.
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.