Paper2Rebuttal: Uma Estrutura Multiagente para Assistência Transparente na Resposta a Autores
Paper2Rebuttal: A Multi-Agent Framework for Transparent Author Response Assistance
January 20, 2026
Autores: Qianli Ma, Chang Guo, Zhiheng Tian, Siyu Wang, Jipeng Xiao, Yuanhao Yue, Zhipeng Zhang
cs.AI
Resumo
A redação de rebates eficazes é uma tarefa de alta complexidade que exige mais do que fluência linguística, pois requer um alinhamento preciso entre a intenção do revisor e os detalhes do manuscrito. As soluções atuais geralmente tratam isso como um problema de geração direta de texto, sofrendo com alucinações, críticas negligenciadas e falta de fundamentação verificável. Para superar essas limitações, apresentamos o RebuttalAgent, o primeiro *framework* de múltiplos agentes que reformula a geração de rebates como uma tarefa de planejamento centrada em evidências. Nosso sistema decompõe *feedbacks* complexos em preocupações atômicas e constrói dinamicamente contextos híbridos, sintetizando resumos comprimidos com texto de alta fidelidade, enquanto integra um módulo de busca externa autónoma e sob demanda para resolver preocupações que exigem literatura externa. Ao gerar um plano de resposta inspecionável antes da redação, o RebuttalAgent garante que cada argumento esteja explicitamente ancorado em evidências internas ou externas. Validamos nossa abordagem na *RebuttalBench* proposta e demonstramos que nosso *pipeline* supera *baselines* robustos em cobertura, fidelidade e coerência estratégica, oferecendo um assistente transparente e controlável para o processo de revisão por pares. O código será disponibilizado.
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.