临沂预应力钢绞线 Rebuttal是带着枷锁的跳舞? 港科 RebuttalAgent 心智表面懂审稿东谈主

面对同业评审，好多作家都有过这么的阅历：明明回答了审稿东谈主的每个问题，派头也富饶辞谢，为什么终依然没能动对？

现存的通用大模子在处理这类任务时，时常堕入种 “名义规则” 的罗网：它们擅永生成畅达、委婉的 “Thank you for your insightful comment”，却穷乏对审稿东谈主音在弦外的度知悉，致复兴天然客气，但穷乏直击痛点的劝服力。

究竟什么样的复兴策略，才能在有限的篇幅内，有放置歪曲、得回共鸣？

针对这问题，来自香港科技大学的琢磨团队提议了种全新的框架 ——RebuttalAgent。该琢磨次将瓦解科学中的 心智表面（Theory of Mind, ToM） 引入学术 Rebuttal 任务，让 AI 简略像资学者样 “读懂” 审稿东谈主，从而生成兼具计谋与劝服力的复兴。

现在，该论文已被 ICLR 2026 接纳。

论文标题：Dancing in Chains: Strategic Persuasion in Academic Rebuttal via Theory of Mind

代码聚积：https://github.com/Zhitao-He/RebuttalAgent

Rebuttal 需要如何的博弈明智？

在学术界的博弈论视角下，Rebuttal 是个典型的 “不信息动态博弈”（Dynamic Game of Incomplete Information）。作家不仅要面对审稿东谈主显的质疑，还要疏忽隐的信息不合称，你不知谈审稿东谈主的学问布景、潜在偏见，也不知谈你的解释会激发如何的四百四病。

现存的基于监督微调的模子，大多停步于对东谈主类复兴的‘谈话学拟态’。它们复刻了规则的‘外壳’，却未能触及审稿东谈主意图的‘内核’，即穷乏对审稿东谈主的度建模。 针对这痛点，琢磨者提议了 RebuttalAgent，其中枢知悉：有的劝服机制，须竖立在对他东谈主的‘心智表面’建模之上。

图：RebuttalAgent 框架总览图，展示 Data Preparation, TSR Framework 和 Agent Training 三个阶段

TSR 框架 —— 先 “读心” 再 “落笔”，

重构 AI 的念念考链路

RebuttalAgent 并莫得径直端到端地生成复兴，而是模拟了东谈主类的念念维经过，通过 ToM-Strategy-Response (TSR) 框架来拆解这复杂任务：

1. ToM（心智表面建模）：不单是是读文本 AI 先充任名 “分析师”临沂预应力钢绞线，对审稿意见进行分层剖析。

宏不雅层面（Macro-level）： 判断审稿东谈主的全体态度（袭取 / 拒）、派头（修复 / 消）以及域业度。

微不雅层面（Micro-level）： 拆解每条驳斥背后的中枢关怀（是法论颓势？依然单纯的抒发不清？）。 这种建模让 AI 不再盲目复兴，而是先构建出审稿东谈主的 “热诚画像”。

2. Strategy（谋定尔后动）：基于上述画像，AI 会生成个明确的计谋筹划。举例，面对个 “业度但派头怀疑” 的审稿东谈主，策略可能是 “先承认局限以竖立信任，再用补充实践数据进行反击”；而面对 “歪曲型” 驳斥，策略则是 “涌现成见，重述中枢孝敬”。

3. Response（击）：后，AI 结原始论文片断、计谋筹划和审稿东谈主画像，生成终的复兴。

表：评估的致：Rebuttal-RM 在对皆东谈主类偏好上越 GPT-4.1

需外部师，

“自我博弈” 中习得劝服的艺术

为了教练这么个简略 “寥落划策” 的 Agent，钢绞线琢磨团队濒临的大挑战是数据的稀缺与主不雅。为此，他们构建了 RebuttalBench，包含过 7 万条质料的 “分析 - 策略 - 复兴” 链条数据。

卓著，琢磨者引入了 Self-Reward 机制 的强化学习策略。与传统的依赖外部励模子不同，RebuttalAgent 专揽自身生成的评价信号进行迭代：

圭臬与逻辑励： 确保 AI 简直在进行念念考和布局，而不是体式宗旨。

种种励： 这是个要道想象。为了止 AI 偷懒生成 “万金油” 式的套话（如反复使用 "We thank the reviewer..." 模板），琢磨者想象了种种处置，迫使模子探索种种、像东谈主类的抒发式。

从 “辞藻堆砌” 到 “攻心为上”：

当 AI 学会了换位念念考

为了量化评估果，琢磨团队开荒了 Rebuttal-RM，这是个门针对学术反驳场景教练的励模子。在与东谈主类评分的致测试中，Rebuttal-RM 的发扬越了 GPT-4.1。

在这评估体系下，RebuttalAgent 展现出了权贵势：

在综得分上，RebuttalAgent 达到了 9.42，权贵于 GPT-4.1 和 O3 。

在 劝服力（Persuasiveness） 这中枢诡计上，培植尤为较着，标明引入 “心智表面” 如实增强了模子在不雅点交锋中的有。

表二：RebuttalAgent 与其他强基线的能对比

“即插即用” 的念念维外挂：

让小模子也能像样念念考

RebuttalAgent 生成的 “分析（Analysis）” 和 “策略（Strategy）” 是否具有普适？琢磨者想象了个玄机的实践：将 RebuttalAgent 生成的策略当作高下文（Context），喂给参数目较小的基础模子（如 Qwen3-8B 和 Llama-3.1-8B），不雅察它们的发扬变化 (Average Score)。

实践发现，这是个通用的 “念念维外挂”。仅需引入 RebuttalAgent 的策略指，Qwen3-8B 在 “抒发了了度” 上的得分就暴涨了 21.0 ，这有劲地讲明了 TSR 框架的可迁徙。

作念科研路上的 “理驾驶”，

而非 “幽魂写手”

RebuttalAgent 的提议，展示了 LLM 在处理阶瓦解任务，止境是触及复杂东谈主际博弈和计谋调换场景的遍及后劲。但 Agent 法替你完成实践，也不会臆造捏造数据，模子在教练之初就刻意剥离了触及实践效果生成的提示，杜了 “幻觉作秀” 的可能。

破 “生手墙”： 关于好多刚踏入学术圈的生手而言，面对尖锐以至锐的审稿意见，时常容易堕入焦虑或产生御心态。RebuttalAgent 的价值恰是在于提供计谋的建议与实用的妙技，匡助作家克服情谊阻碍，理清逻辑端倪，组织多礼的谈话。

促进学术交流： 论文的中枢价值在于 “培植学术对话的了了度与修复”。它骁敢于放置因抒发不当或调换策略缺失而酿成的歪曲，让审稿东谈主与作家的对话归来谈理自身，而非堕入情谊挣扎或单纯的谈话妙技博弈。

RebuttalAgent 本体上是对 大谈话模子在严重信息不合称要求下计谋劝服才调的次探索琢磨。终的科学判断与牵扯，长期掌抓在东谈主类作家手中。

作家先容：

何致涛，香港科技大学筹划机系博士生临沂预应力钢绞线，师 Yi R. (May) Fung。曾在科学院自动化琢磨所、清华大学 AIR、蚂蚁集团从事琢磨，并在 ACL、NeurIPS、COLM、ICLR 等机器学习与天然谈话处理顶会议上发表多篇论文。