DRPG (Декомпозиция, Поиск, Планирование, Генерация): Агентный фреймворк для академического ребаттла

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

January 26, 2026

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

cs.AI

Аннотация

Несмотря на растущее внедрение больших языковых моделей (LLM) в научно-исследовательские процессы, автоматизированная поддержка академического ребаттла — ключевого этапа академической коммуникации и рецензирования — остаётся в значительной степени неисследованной. Существующие подходы обычно полагаются на стандартные LLM или простые конвейеры обработки, которые испытывают трудности с пониманием длинного контекста и часто не способны создавать целевые и убедительные ответы. В данной статье мы предлагаем DRPG, агентный фреймворк для автоматического генерации академического ребаттла, который работает в четыре этапа: декомпозиция рецензий на атомарные замечания, извлечение релевантных доказательств из статьи, планирование стратегий ребаттла и генерация ответов в соответствии с планом. Примечательно, что планировщик в DRPG достигает точности свыше 98% в определении наиболее feasible направления ребаттла. Эксперименты на данных из топовых конференций демонстрируют, что DRPG значительно превосходит существующие конвейеры для ребаттла и достигает производительности выше среднего человеческого уровня, используя модель размером всего 8B параметров. Наш анализ также показывает эффективность архитектуры планировщика и её ценность для предоставления многоперспективных и объяснимых рекомендаций. Мы также продемонстрировали, что DRPG хорошо работает в более сложной многотуровой постановке задачи. Эти результаты подчеркивают эффективность DRPG и его потенциал для предоставления высококачественного контента для ребаттла и поддержки масштабирования академических дискуссий. Код для данной работы доступен по адресу 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.