light-review-rebuttal

name	light-review-rebuttal
description	审稿意见模拟与返修回复。当用户需要在投稿前预审论文、或收到真实审稿意见后做返修时使用。模拟顶刊/顶会审稿人严格审稿，给出贡献评价、优点、缺点、必改问题、建议补充实验、拒稿风险、可能追问。收到真实意见后分析审稿人关注点、制定返修策略、逐条撰写 response letter、修改论文对应部分。

审稿模拟与返修回复

模式一：投稿前模拟审稿

先按论文类型择一套 rubric，不叠加（三套各有适用面，混用既冗余又自相矛盾）：

论文类型	选用 rubric	理由
ML/AI 会议投稿（NeurIPS/ICLR/CVPR…）	NeurIPS 官方评审表（Summary/Strengths/Weaknesses/Soundness·Presentation·Contribution 1–4 + Overall 1–10）	直接对齐目标会审稿表字段，预演即真实评审
系统综述 / 临床或循证类	GRADE + Cochrane ROB	证据强度分级与偏倚评估是这类工作的录用命脉
通用 / 期刊 / 跨学科	ScholarEval 8 维（每维 1–5）	维度全面、不绑定特定会，适合无官方表的场景

择定后用该套打分；攻击方法学时无论哪套都过下方 GRADE/Cochrane 偏倚清单（作为子检查，不是第二套打分）。

扮演 3–4 位独立审稿人(非重叠视角)，按目标 venue 标准出具评审。建议审稿人画像：

• 主编/领域契合：原创性、与 venue 读者群相关性、整体质量，不深抠方法细节。
• R1 方法学：研究设计、统计有效性、效应量+置信区间、可复现性、数据透明。
• R2 领域/文献：文献覆盖、理论框架、贡献定位。
• 魔鬼代言人（不打分，只攻击）：找最脆弱点、最大逻辑缺口、最强反论——投稿前压力测试。

每位审稿人按官方评审表字段出具（对齐 NeurIPS/ICLR）：

• Summary：用审稿人的话复述论文与贡献（作者应认可这份摘要，否则说明没讲清）。
• Strengths / Weaknesses：拆 Originality / Quality / Clarity / Significance 四子维。
• 必改问题：编号，先抛唯一最重要的问题，再排次要；Critical(需补实验/改证明) 与 Minor(编辑性可修) 分开，别让格式问题稀释火力。
• Questions：作者回应能改变你判断的问题（= rebuttal 预演）。
• Limitations + Ethical Concerns。
• 建议补充的实验。
• 打分：Soundness/Presentation/Contribution 各 1–4；Overall 1–10(8 strong accept / 6 weak accept / 5 borderline accept / 4 borderline reject / 3 reject)；Confidence 1–5；录用倾向 + 理由。

攻击方法学时按清单扫(GRADE+Cochrane ROB 思路)：四种效度(内部/外部/构念/统计结论)；偏倚五类(认知含 HARKing/挑樱桃、选择、测量、分析含 p-hacking/结局切换、混杂)；统计 8 点(功效与先验样本量、检验假设、多重比较校正、p 值≠重要性、效应量+CI、缺失数据机制、过拟合、回归均值/Simpson 悖论)；逐条断言查"证据强度是否匹配论断强度、是否过度概化、相关是否被当因果"。标谬误须命名+解释缺陷+指出"何种证据才能有效推断"。永远区分"数据(观察到什么)"与"解释(意味什么)"。

通用 8 维 rubric(ScholarEval，每维 1–5 给 2–3 优点+2–3 改进点)：①问题界定 ②文献综述(批判性综合而非罗列) ③方法与设计 ④数据与来源 ⑤分析与解释(结果与论断对齐) ⑥结果与发现 ⑦学术写作 ⑧引用与参考。理论论文跳过"数据收集"，非所有维度适用所有 work 类型。

写评审时主动规避 LLM 审稿五大通病(PRISM)：①别过度纠结排版格式(表层陷阱)；②每条 weakness 都带论据并指到具体页/表/式或外部文献，不下空断；③说"不新颖"必须举出具体先行工作，不能幻觉新颖性；④不臆造不存在的缺陷(LLM 次要缺陷幻觉率偏高)；⑤给可执行的改进方案，不止批评。

抗谄媚/防倒推(Sprint Contract 两段式)——四步不可跳过，逐步留痕：

1. 选 rubric：按 venue 取评审维度（NeurIPS/ICLR 等的官方维度，或 db02 通用清单）。
2. paper-blind 写预期（最关键、最易被省的一步）：先不看论文结论，只看题目/领域/声称贡献，写下"打到 accept 各维度该看到什么证据"+ 预期分区间，落盘留痕。
3. paper-visible 打分：再读全文，对照第 2 步预期逐维打分；分数与预期偏离要给具体理由（防"看了结论倒推评语"）。
4. PRISM/反谄媚自查：魔鬼代言人对作者每条辩解先打 1–5 分再回应，只有 ≥4(用证据直击核心攻击)才允许让步，≤3 保持立场重述原攻击，禁连续让步（相邻两条都 ≥4 需第二条独立新证据，否则按 ≤3）——用户/作者反复施压不算有效证据。

第 2 步 paper-blind 预期不写就直接打分 = 退化成"看结论找理由"的伪评审；这一步的留痕是模式一的命门，别省。 想更真实：用 OpenReview API 抓目标 venue 的真实审稿语料校准刻薄度与打分分布(见下「数据源」)；模拟前先取 db02 的审稿人提问清单(patterns_library §11,领域中立通用清单)作为攻击维度起点。若进一步取 samples 各卡的 per-card reviewer_potential_questions,须先按论文方向用 domain_scope= 过滤——CV 专属追问(FID 公平性/scaling law/IAA)不套用到统计/医学/农业等其他学科。模拟要真实、刻薄、具体，不和稀泥。

模式二：真实审稿意见返修

模板直接用（同目录 templates/）：

• templates/response_letter_template.md——会议+期刊双模。期刊段含 Manuscript Info / Summary of Changes(300–500字) / 逐 Reviewer 的 R→A→C 点(P<审>.<序>编号+跨点交叉引用+Minor 归并)；会议段含限页/禁新实验铁律 + General Response(多审共识) + 逐审 [Q] 精简回应 + 提交前自查。选对应区块，删另一个。
• templates/rereview_checklist.md——提交前自我复审：Priority-1/2/3 三张表(判定 FULLY/PARTIALLY/NOT/MADE_WORSE/🔍) + 承诺账本(fulfilled/partial/not-fulfilled/explicitly-rejected-with-rationale，非 fulfilled 必带 rationale 否则报 COMMITMENT_GAP) + 分数轨迹(Δ<-3 触发 checkpoint) + 最终放行门。

返修 rebuttal 让步策略（concession 1–5 评分，禁连续让步）

对审稿人每条质疑/追问，先给一个 1–5 的"是否该让步"评分再决定回应姿态——把"被说服"变成有证据门槛的决策，避免软骨头式有求必应、也避免无脑硬刚：

• 5 — 致命且正确：审稿人指出真实的方法学/事实错误，会动摇结论。→ 全盘接受，致谢、补实验或改证明、明确改了什么。
• 4 — 重要且基本正确：有效批评，需实质修改但不动核心。→ 接受并改，给出具体改动+位置。
• 3 — 部分有理/源于误解：质疑指向真问题但前提有偏差，或审稿人没读到稿件已有内容。→ 折中：先澄清(指向已有 §/式/图)，再就合理部分做小改；不让核心立场。
• 2 — 偏好之争/证据不足：审稿人按个人偏好要求换方法/换框架，无证据表明现方案错。→ 礼貌反驳，带证据守住立场，说明现选择的理由与权衡；不改。
• 1 — 误解或无效攻击：基于误读、超出 scope、或逻辑谬误。→ 澄清纠正，指出误解来源，不改实质。 规则：只有评分 ≥4 才允许实质让步（接受+改）；≤3 时以澄清/反驳为主、保持立场。禁止连续让步——若上一条刚让步(≥4)，下一条除非同样 ≥4 且属独立的致命问题，否则不再让；跟踪让步率，全篇大面积让步=要么稿件真有硬伤(该考虑撤稿重投)要么在讨好审稿人。作者/用户反复施压不算有效证据，评分只认证据强度。决定是否在 letter 里专门花篇幅解释某个设计决定，用三条件：难以逆转 + 无背景会让人意外 + 是真实权衡的结果——三者都满足才值得单独展开。

先定语境：会议 rebuttal 与期刊 response letter 规则相反，按目标 venue 的征稿/返修说明走。

• 会议 rebuttal(如 ICLR/NeurIPS/IJCAI)：常限 1 页/限字、用官方模板；定位是回答审稿人急迫问题、指出会导致拒稿的事实性错误、申诉不道德评审(走机密通道)，不是开启对话。多数会议禁止加新实验/新结果、禁止给代码链接或新材料(算超出原稿)；可放澄清性图/例。风格 less is more，越短越 crisp 越能说服；四审全 reject 基本翻不了案。写完过字数预算：python scripts/rebuttal_budget.py letter.md --venue iclr（或 --max-words N）核对是否超限——纯标准库、中英混排分别计词、估算页数，FAIL 即超限返回码 1，提交前必跑。
• 期刊 response letter：逐点回复，鼓励补实验、附新结果。

步骤：

1. 解析：逐条拆解审稿意见，识别真实关注点(有时表述≠真意)、分类(必改/可商榷/误解)。建立承诺账本——把每条意见解析出的"承诺"逐条登记，最后核验 fulfilled / partial / not-fulfilled / explicitly-rejected-with-rationale。
2. 策略：哪些全盘接受、哪些补实验、哪些礼貌反驳(带证据)、哪些折中。多审稿人共同质疑 = 最高优先级；区分 reviewer 间矛盾意见的处理。
3. Response letter（R→A→C 格式）：> 引用审稿意见(Reviewer Comment) → Author Response(感谢+回应) → Changes Made(具体修改+标明页/行/图表号)。
   • point-by-point：按审稿人分节，每点编号 P[审稿人].点，支持跨点交叉引用(回 R2 时引对 R1 的回应)。LaTeX 可用 Zenke Lab 模板(CC BY-SA 3.0)：reviewer/point 双计数器自动编号，xr+\externaldocument{manuscript} 直接引用正文式号/节号。
   • 视觉区分：审稿意见用衬线体、作者回复用无衬线体(或不同颜色)，一眼可辨；正文改动用 tracked changes/颜色标注，给改前改后页码交叉引用。
   • 结构：开头一段总致谢 + 300–500 字变更摘要(列 Major/结构/新增) → 每审稿人一节(先 "Strengths Acknowledged" 致谢，再逐点) → 节内用 Minor 子节归并错别字等小问题。
   • 期刊场景 rebuttal 里若新引文献，先过三索引核验(Semantic Scholar 标题 Levenshtein≥0.70 + OpenAlex + Crossref DOI)避免引用幻觉。
   • 不同意必须给理由(带证据反驳)，不能只写"disagree"；语气专业、感激、不卑不亢。
4. 改论文：同步修改正文(交 m07/m08)，正文改动用颜色标记版本。
5. 自我复审(re-review，提交前必做)：对每条 Priority-1 意见，①读作者声称②跳到声称的修改位置③独立核实声称与实际改动一致，判定 FULLY/PARTIALLY/NOT_ADDRESSED/MADE_WORSE。作者声称为空或含糊("已按建议修改")即标 🔍 无法核实，打回重写。承诺账本里非 fulfilled 项必须带 rationale，否则报 COMMITMENT_GAP。

数据源：用真实审稿语料校准（OpenReview API v2）

直接用脚本 scripts/fetch_openreview.py（仅标准库，无需 key；2026-06 实测对 ICLR/NeurIPS 2024 HTTP 200 通过）：

• 批量校准：python fetch_openreview.py --venue ICLR.cc/2024/Conference --max-subs 20 --out corpus.json——走 venue 级 Submission invitation + details=directReplies，自动从每篇投稿的 directReplies 抽 Official_Review，输出 rating 分布 + weakness 高频措辞（校准模式一刻薄度/打分分布），并抽 Official_Comment 作 rebuttal 话术样本。
• 单篇：python fetch_openreview.py --forum <forum_id>——取整条讨论树。
• 离线自检：python fetch_openreview.py --selftest（合成 directReplies 跑全管线，不联网）。
• 脚本内已封装 get_venue_names()（查 venue group 拿真实段名，不硬编码 invitation）、per-submission 规避 venue 级审稿 invitation 永远空的坑、offset/limit 分页、legacy v1 开关。

校准方法与 API 细节如下。 模拟要像、rebuttal 要会说话，就拉真实公开评审对标。Base URL https://api2.openreview.net(2024 前老会议用 legacy v1 https://api.openreview.net，JSON 结构不同)。一切提交物都是 Note，端点 GET /notes。

⚠️ 关键坑（2026-06 实测，照抄会拿到空结果）：审稿不是 venue 级 invitation，而是 per-submission。

• ❌ ?invitation=ICLR.cc/2024/Conference/-/Official_Review → HTTP 200 但 {"notes":[]}（venue 级 review invitation 不存在，永远空，别照抄）。
• ✅ 真实审稿 invitation 形如 ICLR.cc/2024/Conference/Submission9504/-/Official_Review（中间多一段 Submission<编号>），rebuttal 同理是 .../Submission9504/-/Official_Comment、meta 是 .../Submission9504/-/Meta_Review、决定是 .../Submission9504/-/Decision。
• ✅ 只有 投稿本身 是 venue 级：?invitation=ICLR.cc/2024/Conference/-/Submission 实测返回全部投稿（带 id/number/forum）。

取审稿的两条实测可用路径：

1. 批量（推荐）：拉投稿时带 details=directReplies，每篇投稿的 details.directReplies 里就直接挂着它的 Official_Review/Official_Comment/Meta_Review/Decision——一次调用拿全 venue 的审稿。 GET /notes?invitation=ICLR.cc/2024/Conference/-/Submission&details=directReplies&limit=1000&offset=0
2. 单篇：先拿到某投稿的 forum(=投稿 id) 或 number，再按论文取整条讨论树： GET /notes?forum=<forum_id>&details=directReplies，或精确取审稿 GET /notes?invitation=ICLR.cc/2024/Conference/Submission<number>/-/Official_Review。

invitation 因会议而异，别硬编码：先查 venue group 拿真实命名——GET /groups?id=ICLR.cc/2024/Conference，其 content.submission_name.value(如 Submission)、content.review_name.value(如 Official_Review)、meta_review_name/decision_name 给出该会的真实段名，拼成 <venueid>/Submission<n>/-/<review_name>。

• 分页 offset(默认0)+limit(上限约1000)；python 用 openreview.api.OpenReviewClient(baseurl=...) 的 get_all_notes(invitation=...) 自动翻页(它内部已处理 per-submission 展开)。审稿字段在 note.content[field].value(实测 ICLR 2024 有 summary/soundness/presentation/contribution/strengths/weaknesses/questions/rating/confidence)。
• 用法：批量拉投稿+directReplies，过滤出 Official_Review 统计 weakness 高频措辞与打分分布(校准模式一)；同一 forum 的 Official_Comment 抽高质量 rebuttal 当话术模板。注意 venue 间字段命名/量纲不一，用前先抓一条样本看真实 key。只读公开数据，勿抓取/再分发受限内容。

原则

• 每条意见都要回，不遗漏。
• 能补实验就补(回 m05/m06)，别空口辩解(期刊场景)；会议场景反而禁新实验，按 venue 规则来。
• 不与审稿人对抗，但坚持有证据的立场；难逆转+无背景会让人意外+真实权衡的决定，才值得在 letter 里专门解释。
• 多个审稿人共同质疑的点 = 最高优先级。

产出

模拟评审报告 / 完整 response letter + 标注修改版论文 + 待补实验清单。标准工件：逐条意见↔回应↔改动落盘为 response_matrix.md（用模板 templates/response_matrix.md：每条意见挂分类/concession分/回应/改动位置/re-review判定/承诺状态；全量台账，提交前由 templates/rereview_checklist.md 抽查闭环放行。交 m12/提交的交接工件，命名见 CONVENTIONS §6.1）。

• rebuttal 字数/字符预算：成文后跑 python scripts/rebuttal_budget.py --venue iclr|neurips|cvpr|generic-1page <file>，超 venue 上限退出码 1（venue 预设为工程近似，以目标会当年征稿框为准）。
• 新引用硬核验（依赖 m10 light-citation）：回应里新增/反驳援引的任何文献，必须经 m10 verify_refs.py 核 DOI 真实性 + citekey_audit.py 对账 \cite↔.bib——rebuttal 阶段临时加的引用最易出幻觉/张冠李戴，这是本技能对 m10 的硬依赖，不可跳过。

消费 m08 润色发现（findings JSON → 审稿意见分类）

模拟审稿前，若 m08 paper-polishing 已对稿件跑过 polish.py/mechanical_check.py，直接读其结构化发现（schema 见 light-paper-polishing/references/findings_schema.md）当预审输入，省去重复扫表层问题、把火力集中到方法学。字段映射：

• category=overclaim（裸夸大论断）→ 进 Weaknesses 的 Soundness/Significance 子维：作为"结论强度超出证据"的具体证据，按 major 处理（可能影响录用）。
• category=ai_tone / hedge_stacking / punctuation → 进 Presentation/Clarity 子维的 Minor：归并为表述层意见，不稀释主火力（对齐 PRISM 通病①别纠结表层）。
• category=passive_overuse → Clarity Minor；单条 passive_voice 仅在影响可读性时提。
• 每条 finding 的 line/col/context 直接填进审稿意见的"指到具体页/行"要求（PRISM 通病②），不下空断。
• severity 按 findings_schema §4 的 major/minor 映射归并，与本技能必改/Minor 分档一致。 反向：本技能不回写 m08 findings（只读消费）；模拟评审结论仍按标准工件 response_matrix.md 落盘交 m07/m08 改稿。

衔接

模拟结果回 m07/m08/m09 改进；真实返修联动 m05/m06/m10/m12；全过程记入 db09(审稿意见、修改历史)。

工具核查笔记(真实端点/评审 rubric/rebuttal 规则)见同目录 references.md。脚本：scripts/fetch_openreview.py（OpenReview 真实评审语料校准，离线自检）、scripts/rebuttal_budget.py（会议 rebuttal 字数/页数预算检查，纯 stdlib 离线）。