我们提出了 Acacia，一种在网络图上训练的图基础模型。Acacia 能够在不进行额外训练的情况下支持任意特征维度和语义，并且能够直接处理节点分类、链接预测、节点聚类和图生成等多种任务。它具备上下文学习能力，且完全不依赖预训练的大语言模型。\ \ 与现有的图基础模型不同，后者通常需要为新图或新标签添加分类头或特征投影层，而 Acacia 不需要这些额外组件。许多现有模型的能力来源于与预训练 LLM 的拼接，而 Acacia 完全从头使用 Common Crawl 网络图进行训练。这一结果表明，图模型也可以像 LLM 那样从零学习并出现新颖的能力。\ \ 点评：Acacia 展示了从零开始学习图结构的潜力，为图模型的通用化提供了新方向。