#Peer Review

3 篇

ActReview: Rebuttal-Guided Training Data and Rubric Rewards for Actionable Peer Review Generation

ActReview：基于作者反驳引导与评分量规奖励的可操作同行评审生成

🧭 LLM 后训练 · 行动导向评审生成

Yale University · University of Chicago · TCS Research

用作者 rebuttal 揭示的修改动作作为潜在监督，构建 ActReview-40K 并后训练模型生成可操作且带证据的评审建议

📌 工作参考价值（4 点）

用交互反馈作为弱监督信号：rebuttal 与 review 的对齐类似于电商评价回复、客服工单中用户申诉/追问能暴露真实意图，可用于训练解释生成或建议 Agent。
候选感知、弱点特定 rubric 奖励可迁移到推荐理由/诊断报告生成：将输出质量拆成多个细粒度 rubric，结合候选集合用 LLM 判定或规则奖励做 GRPO，提升生成质量与可控性。
局部证据检索与 grounding 机制适合需要引用商品/内容原文做可信推荐解释、搜索结果摘要或 push 文案的场景，能缓解幻觉并提升可验证性。
人类评估中技术准确性仍有 gap，提示业务上线 LLM 建议类功能时应加入技术准确性抽检与领域知识约束，不能只看流畅度和 actionability。

Training | 2026-09-07 | HF Daily | score 6/10

InternReviewer & InternAdvocate: Objective Reward and Evaluation for Agentic Reinforcement Learning in Peer Review and Rebuttal

InternReviewer 与 InternAdvocate：同行评审与反驳的客观奖励与评估

🧭 Agentic RL 学术评审智能体

Shanghai AI Laboratory · Beijing Jiaotong University · Tsinghua University · Renmin University of China

用客观多维 reward 与严格引文验证训练学术评审/反驳 Agent，减少主观评判偏差和幻觉

📌 工作参考价值（4 点）

评估与奖励去偏：用多维客观指标（reference-anchored semantic alignment、structural compliance、citation verification）替代单一大模型打分，减少 reward hacking 和主观偏差。在生成式推荐/导购文案中，可定义商品属性一致性、结构模板、引用可验证等可计算的 reward。
可验证的引用日志交叉核对：将生成内容中的声明与实时检索/工具调用日志强制对齐，能直接迁移到电商 RAG 问答和商品描述生成，降低幻觉（如虚构参数、不存在的促销）。
Agentic RL 闭环：先检索证据再生成、用严格验证作为 reward 信号，可复用为“检索-生成-校验” pipeline，适用于需要事实性的营销文案、售后应答等。
数据集构建：建设高质量垂直领域数据 + 高效检索工具，是提升 Agent 落地效果的基础，电商可借鉴构建商品知识库与交互日志。

Agent | 2026-07-20 | HF Daily | score 7/10

Agentic RL Peer Review LLM Citation Verification Reward Design Hallucination

From Passive Generation to Investigation: A Proactive Scientific Peer Review Agent

从被动生成到主动调查：一种主动式科学同行评审智能体

🧭 主动式评审Agent · 结构化日志引导

Ubiquitous Knowledge Processing Lab (UKP Lab), Technical University of Darmstadt · National Research Center for Applied Cybersecurity ATHENE, Germany · School of Computer Science, University of Birmingham

将论文评审建模为MDP，用结构化日志引导LLM主动调查疑点，8B模型性能超越大模型prompt方法39%

📌 工作参考价值（4 点）

主动调查机制可复用至客服/推荐Agent：将多步信息收集建模为MDP，Agent可自主决定何时查询知识库、调用工具或请求用户反馈，结构化日志作为工作区记录证据与假设，提升信息获取的针对性和深度。
结构化日志是轻量级记忆增强方案：类似Scratchpad或流式笔记，在Agent内部维护一个不断更新的JSON或键值结构，用于追踪状态、中间发现和待验证项，可有效避免长上下文遗忘，在电商导购中实现多轮推理和偏好追踪。
RL优化Agent调查策略有直接迁移潜力：利用RL对“调查”动作（如查看详情、对比商品、查看评论）进行奖励驱动优化，使Agent学会在何时做何种调查以最大化下游任务收益，适用于电商比价、商品推荐等需主动探索的场景。
小模型+SFT+RL可超越大模型Prompt：对于特定垂直领域的Agent任务（如客服、合规检查），用8B模型经监督微调加RL训练，可在成本敏感的生产环境中替代闭源大模型的Prompt工程，获得更高性价比。

Agent | 2026-06-11 | cs.CL | score 7/10

Peer Review Reinforcement Learning Large Language Model Proactive Investigation MDP