OpenGraph

训练一次，零样本适配任意新图任务

OpenGraph 是一个面向开放图基础模型的开源项目，发表于 EMNLP 2024。它旨在解决传统图神经网络（GNN）在跨图泛化上的不足，即模型在一个图上训练后难以直接应用于结构、特征分布不同的新图。OpenGraph 通过引入统一图 tokenizer 将不同图转换为共享的 token 序列，并采用基于大语言模型（LLM）的骨干网络来捕捉跨图的通用拓扑模式，从而支持零样本或少样本的图学习。其核心能力包括：对任意输入图进行标准化表示、在未见图上进行节点分类/链接预测等任务、以及通过指令微调适应多种下游任务。项目提供了完整的训练和推理代码、预训练模型权重，并支持自定义数据集评估，为图基础模型的研究提供了一个可复现的基线。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 337

维护状态低维护

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队HKUDS

所属国家

官网地址

GitHubhttps://github.com/HKUDS/OpenGraph

定价模式free

价格说明开源项目，Apache-2.0许可证，可自由使用和部署，无付费版本。

访问状态

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型data-augmentation,fundation-models,graph-algorithms,graph-fundation-models,graph-generation,graph-learning,graph-neural-networks,large-langage-models,large-language-models,transformer

GitHub 星标★ 337

30天Star增速

HF 下载量

上线时间2024-02-21 00:00:00

最近更新2026-09-18 00:00:00

维护状态低维护

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数4

使用教程

核心亮点

提出统一图 tokenizer，将异构图表征为通用 token 序列，解决跨图泛化难题
基于 LLM 骨干，能利用语言模型先验知识增强图结构理解
提供预训练权重和完整训练脚本，便于复现 EMNLP 2024 论文结果

不足之处

早期项目，文档和社区支持尚不完善
依赖较大规模的 LLM 推理，资源消耗较高

适用场景

跨领域图数据上的零样本节点分类
新领域图链接预测（如社交网络、分子图）
图基础模型研究及基准测试

替代项目

GraphGPT、ProG、GIMLET

项目介绍

OpenGraph 是开源模型领域的开源项目，由 HKUDS 开发，2024 年首次发布。

它收录于开源模型分类，该分类目前共有 424 个项目，GitHub 星标数为 337。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-18。Apache-2.0许可证，可自由使用和部署，无付费版本。

它主要面向的使用场景是：跨领域图数据上的零样本节点分类。同类可对比的替代方案包括 GraphGPT、ProG、GIMLET。

上一篇：Awesome-MLLM-LLM-Colab

下一篇：awesome-snn