과학적 피어 리뷰 (Scientific peer review) 생성은 리뷰 부담을 줄이고 적시에 피드백을 제공한다는 점에서 점점 더 많은 관심을 받고 있습니다. 그러나 기존의 거대 언어 모델 (LLM) 기반 방법들은 증거 지원이 불충분하고 출처 추적성 (source traceability)이 약한 일반적인 의견만을 생성하는 경우가 많으며, 복잡한 멀티 에이전트 (multi-agent) 시스템은 높은 추론 비용을 발생시킵니다. 이러한 과제를 해결하기 위해, 우리는 멀티 에이전트 교사 증류 (Multi-Agent Teacher Distillation)를 통한 근거 기반 및 추적 가능한 리뷰 생성 프레임워크인 EGTR-Review를 제안합니다. EGTR-Review는 먼저 구조 인식 논문 분해 (structure-aware paper decomposition), 핵심 요소 추출 (key-element extraction), 외부 학술 증거 검색 (external scholarly evidence retrieval), 증거 상태 라벨링 (evidence-state labeling), 검증 추론 (verification reasoning), 그리고 리뷰 합성 (review synthesis)을 수행하는 멀티 에이전트 교사를 구축합니다. 그 다음, 작업 접두사 기반 멀티태스크 학습 (task-prefix-driven multi-task learning)을 통해 중간 추론 궤적 (intermediate reasoning trajectories)과 최종 리뷰 의견을 경량화된 학생 모델 (student model)로 증류합니다. 증거 가중 목적 함수 (evidence-weighted objective)는 약하거나 누락되었거나 검증 불가능한 감독 (supervision)의 영향을 더욱 감소시킵니다. 공개 피어 리뷰 데이터셋에 대한 실험 결과, EGTR-Review (Student)는 자동화된 지표, LLM-as-Judge 평가, 그리고 인간 평가 전반에서 강력한 프롬프트 기반, 미세 조정 (fine-tuned), 구조적/에이전트 기반 베이스라인 모델들을 능가하는 성능을 보여주었습니다. 동시에 토큰 소비량과 추론 시간을 실질적으로 낮추면서도 강력한 사실적 근거 (factual grounding)와 출처 추적성을 유지합니다. 우리의 코드, 프롬프트, 설정 및 샘플 데이터는 GitHub에서 확인할 수 있습니다.