GLBench

评测问题

在统一实验协议下，比较大语言模型参与图学习的不同方式及其与传统 GNN 基线的差异。

评测设计

同时覆盖监督与零样本设置，统一数据处理及划分。分别观察语言模型作为增强模块、直接预测器时的表现。

研究发现

论文中，作为增强模块的 LLM 表现较稳健，直接预测更易出现输出控制问题。零样本迁移同时依赖图结构与语义，当前方法也未呈现清晰的规模规律。

研究介绍与结果据论文原文 ↗整理；实验结论对应原文中的模型、数据与协议。