DRPG (Decompor, Recuperar, Planejar, Gerar): Uma Estrutura Agêntica para Réplica Acadêmica

DRPG (Decompose, Retrieve, Plan, Generate): An Agentic Framework for Academic Rebuttal

January 26, 2026

Autores: Peixuan Han, Yingjie Yu, Jingjun Xu, Jiaxuan You

cs.AI

Resumo

Apesar da crescente adoção de grandes modelos de linguagem (LLMs) nos fluxos de trabalho de pesquisa científica, o suporte automatizado para a réplica académica, uma etapa crucial na comunicação académica e na revisão por pares, permanece largamente inexplorado. As abordagens existentes geralmente dependem de LLMs padrão ou de pipelines simples, que lutam com a compreensão de contexto longo e frequentemente falham em produzir respostas direcionadas e persuasivas. Neste artigo, propomos o DRPG, uma estrutura agentiva para a geração automática de réplicas académicas que opera através de quatro etapas: Decompor as revisões em preocupações atómicas, Recuperar evidências relevantes do artigo, Planear estratégias de réplica e Gerar respostas em conformidade. Notavelmente, o Planeador no DRPG atinge mais de 98% de precisão na identificação da direção de réplica mais viável. Experiências com dados de conferências de topo demonstram que o DRPG supera significativamente os pipelines de réplica existentes e atinge um desempenho além do nível humano médio, utilizando apenas um modelo de 8B. A nossa análise demonstra ainda a eficácia do design do planeador e o seu valor em fornecer sugestões multi-perspetiva e explicáveis. Também mostrámos que o DRPG funciona bem num cenário multi-round mais complexo. Estes resultados destacam a eficácia do DRPG e o seu potencial para fornecer conteúdo de réplica de alta qualidade e apoiar a escalabilidade das discussões académicas. Os códigos para este trabalho estão disponíveis em https://github.com/ulab-uiuc/DRPG-RebuttalAgent.

English

Despite the growing adoption of large language models (LLMs) in scientific research workflows, automated support for academic rebuttal, a crucial step in academic communication and peer review, remains largely underexplored. Existing approaches typically rely on off-the-shelf LLMs or simple pipelines, which struggle with long-context understanding and often fail to produce targeted and persuasive responses. In this paper, we propose DRPG, an agentic framework for automatic academic rebuttal generation that operates through four steps: Decompose reviews into atomic concerns, Retrieve relevant evidence from the paper, Plan rebuttal strategies, and Generate responses accordingly. Notably, the Planner in DRPG reaches over 98% accuracy in identifying the most feasible rebuttal direction. Experiments on data from top-tier conferences demonstrate that DRPG significantly outperforms existing rebuttal pipelines and achieves performance beyond the average human level using only an 8B model. Our analysis further demonstrates the effectiveness of the planner design and its value in providing multi-perspective and explainable suggestions. We also showed that DRPG works well in a more complex multi-round setting. These results highlight the effectiveness of DRPG and its potential to provide high-quality rebuttal content and support the scaling of academic discussions. Codes for this work are available at https://github.com/ulab-uiuc/DRPG-RebuttalAgent.