构建 GraphWild
组合不同图描述、任务与参考算法，形成问题到代码的训练样本。
CODING / EXECUTABLE GRAPH REASONING
GCoder
CIKM 2025把图问题，交给可执行的代码。
GCoder: Improving Large Language Model for Generalized Graph Reasoning
面对图结构和复杂算法，模型可以生成程序，再通过执行得到答案。GCoder 将代码生成、执行反馈与检索结合起来，探索对不同图格式、任务与规模的泛化。
GraphWild图问题与代码训练数据
SFT + RLCF监督微调与编译器反馈优化
RAG面向未见任务的检索增强
01 / THE RESEARCH
用执行结果，检验求解过程。
自然语言推理可能给出正确答案，却包含错误的中间步骤。GCoder 采用代码求解范式：先从图结构、描述和算法构造训练数据，再让模型编写程序，通过编译与执行反馈改进生成结果。
两阶段优化
先进行 SFT，再以编译器反馈构造偏好信号，进行 RLCF 优化。
按任务选择检索
域内任务直接生成代码；未见任务从代码库检索相关算法与使用示例。
02 / EVIDENCE & FINDINGS
让求解能力经受格式与规模变化。
论文从图计算正确率、不同输入格式、未见任务和大规模图等角度评测。代码执行提供了明确的验证路径，检索则为模型补充未见算法的相关知识。
实验口径
研究介绍与配图依据作者公开的论文和代码版本。编译成功并不等于任务正确；评测还需将运行结果与参考答案比较。
CONTINUE EXPLORING