GFMs（Graph Foundation Models，图基础模型）是指在大规模、多领域图数据上预训练、可通过零样本或少样本方式迁移到下游图任务的通用模型，被视作图机器学习从“一任务一模型”走向通用化的方向。目前该领域仍在快速探索期：架构上融合 GNN、图 Transformer 与大语言模型，能力上追求跨图、跨域的泛化，但评测标准和真实泛化水平尚存争议。
GFMs 近期进展
零样本迁移是 GFMs 的核心卖点之一。CHARM 提出多模态图基础模型，通过分层上下文建模在零样本场景下完成跨域迁移（CHARM: A Multimodal Graph Foundation Model with Hierarchical Context Modeling for Zero-Shot Transfer）。在节点表示方向，Node4All 尝试学习超越单一数据集的通用节点表示，呼应了 GFMs 对“跨图通用性”的追求（Node4All: Learning Node Representation Beyond Datasets）。
与此同时，图学习的基础设施也在被重新审视。一项跨越“后 GCN 十年”的研究按曲率对关系学习进行分层评测，质疑了以往基准结论的稳健性（The Post-GCN Decade Revisited: Curvature-Stratified Evaluation of Relational Learning）。这类工作与针对 GFMs 的公平评测相呼应：有研究专门对图基础模型在节点属性预测任务上的表现做公平对比，指出部分宣称的通用能力可能被评测设置放大（A Fair Evaluation of Graph Foundation Models for Node Property Prediction）。
此外，图基础模型的思想也外溢到几何与世界建模领域。GeoState 研究面向 3D 世界建模学习视角解耦的几何状态，SM4RT 则通过结构化运动几何支持 4D 重建，显示图结构与几何表征的结合正在成为新的交叉方向（GeoState: Learning View-Decoupled Geometry States for 3D World Modeling、SM4RT: Learning Structured Motion Geometry for 4D Reconstruction）。
GFMs 的当前焦点与观察点
当前讨论集中在三点：一是评测公信力，多项公平评测对既有基准提出质疑，跨任务、跨域设置下的结论仍需更多独立验证；二是架构路线，GNN、图 Transformer 与 LLM 结合的混合范式尚未收敛，多模态图基础模型初现但规模与数据来源差异大；三是应用边界，从推荐、分子建模到 3D/4D 几何世界建模，GFMs 的能力范围正在被持续试探。对关注者而言，未来一年值得观察的信号包括：是否有统一基准被社区广泛采纳，以及零样本迁移优势能否在非 toy 数据集上稳定复现。