近日，谷歌在ICLR2024上推出了一項重大成果:他們成功讓大型語言模型(LLMs)學會理解「圖的語言」，性能提升了高達60%。這項研究解決了LLMs在處理圖形問題上的瓶頸，開啟了圖形數據與文本表示之間的新篇章。

　　圖形結構作為信息組織的一種重要方式，在計算機科學領域中無處不在。然而，由于LLMs主要在常規文本上訓練，缺乏對圖形結構的理解，這使得將圖形轉換為LLMs可理解的文本成為一項復雜的任務。谷歌團隊通過設計GraphQA基準測試，旨在評估LLMs針對特定圖形問題的能力，并創造了一種讓LLMs能夠解決圖形相關問題的方式，從而顯著提高了LLMs在圖形任務上的表現。

　　研究團隊采用了多種方法將圖形編碼為文本，并將文本與問題反饋給LLMs進行處理。通過調查節點編碼和邊緣編碼等關鍵問題，他們成功地改善了LLMs在圖形問題上的性能。實驗結果顯示，選擇合適的編碼方式對LLMs的準確度有顯著影響，而在圖形推理任務中，規模更大的模型表現更好，但對于某些特定任務，模型規模并不是唯一的關鍵因素。

　　此外，研究團隊還發現圖的結構對LLMs的性能有著重要影響。在不同的圖形任務中，LLMs的表現受到圖形結構的影響，而提供一些混合樣本可以幫助LLMs適應不同類型的圖形結構，從而提高性能。

　　這項研究為解決LLMs在圖形問題上的挑戰提供了新的思路和方法。通過合理地將圖形數據轉換為文本表示，并結合適當的編碼方式和任務類型，谷歌團隊成功提升了LLMs在圖形任務上的性能，為未來更深入的研究和應用打下了基礎。