EGTR-Review：通过多代理教师 蒸馏 生成有效的基于证据的科学同行评审

科学的同行评审生成因其减少评审负担和提供及时反馈而受到越来越多的关注。然而，现有的基于大语言模型（LLM）的方法通常会产生证据支持不足且来源可追溯性弱的通用注释，而复杂的多智能体系统会产生较高的推理成本。为了应对这些挑战，我们提出了 EGTR-Review，这是一种通过多智能体教师 蒸馏 提供的基于证据且可追踪的评论生成框架。 EGTR-Review 首先构建一个多代理教师，执行结构感知论文分解、关键元素提取、外部学术证据检索、证据状态标记、验证推理和评论综合。然后，它通过任务前缀驱动的多任务学习，将中间推理轨迹和最终评论意见提炼成轻量级学生模型。证据加权的目标进一步减少了薄弱、缺失或不可验证的监督的影响。对公共同行评审数据集的实验表明，EGTR-Review（学生）在自动指标、LLM-as-Judge 评估和人工评估方面优于基于提示、微调和结构化/代理基线，同时保持强大的事实基础和源可追溯性，同时显着降低词元消耗和推理时间。我们的代码、提示、配置和示例数据可在 GitHub 上获取。