Paper2Rebuttal: Многозадачный фреймворк для прозрачной помощи в подготовке ответов автора

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

January 20, 2026

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

cs.AI

Аннотация

Написание эффективных ответов рецензентам — это ответственная задача, требующая не только языковой беглости, но и точного соответствия между замечаниями рецензентов и содержанием рукописи. Существующие решения обычно рассматривают эту задачу как проблему прямой генерации текста, что приводит к галлюцинациям, пропуску критических замечаний и отсутствию проверяемой обоснованности. Для преодоления этих ограничений мы представляем RebuttalAgent — первую мультиагентную систему, которая переосмысливает генерацию ответов как задачу планирования, ориентированную на доказательства. Наша система декомпозирует сложные отзывы на атомарные проблемы и динамически формирует гибридные контексты, синтезируя сжатые резюме с текстом высокой точности, одновременно интегрируя автономный модуль внешнего поиска по требованию для решения вопросов, требующих привлечения сторонней литературы. Генерируя проверяемый план ответа до составления текста, RebuttalAgent гарантирует, что каждый аргумент явно привязан к внутренним или внешним источникам. Мы оцениваем наш подход на предложенном RebuttalBench и демонстрируем, что наш конвейер превосходит сильные базовые модели по охвату, достоверности и стратегической согласованности, предлагая прозрачного и контролируемого помощника для процесса рецензирования. Код будет опубликован.

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.