文本空间图基础模型：综合基准与新见解

研究针对不同领域图数据的节点特征难以统一、文本空间图基础模型缺少统一评估设置的问题，提出包含新增文本空间数据集的综合基准，以考察不同方法在多种图与任务上的表现。基于摘要分析，未取得论文全文。 核心思路是以自然语言作为不同图之间的统一特征空间，为使用统一骨干处理异构节点特征提供基础。本文主要贡献是数据与评估框架，而非摘要中已明确描述的新模型架构：作者在统一问题设置下比较文本空间 Graph Foundation Model（GFM），并通过新增数据集扩大可评估范围。 作者报告，实证评估带来了新的认识并启发后续研究方向，但摘要没有给出具体发现、指标数值或方法排序，因此尚不能判断哪些方法在何种条件下更有效。数据集名称与规模、任务类型、训练与测试划分、跨图或跨领域评估方式、对照基线、消融及统计信息尚未验证。复现时应重点核对文本特征的构建方式、各方法获得的信息及训练资源是否一致，以及评估协议如何区分已见图与未见图。 作者声明代码与数据已公开，具体内容及可运行性尚未验证。研究对象是通用图学习，而非 EEG 或 BCI；摘要未提供神经信号评估，不能将其通用图学习价值直接视为 BCI 有效性的证据。相关 EEG 工作尚未检索确认。