[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-microsoft--Graphormer":3,"similar-microsoft--Graphormer":105},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":15,"owner_avatar_url":16,"owner_bio":17,"owner_company":18,"owner_location":18,"owner_email":19,"owner_twitter":20,"owner_website":21,"owner_url":22,"languages":23,"stars":36,"forks":37,"last_commit_at":38,"license":39,"difficulty_score":40,"env_os":41,"env_gpu":41,"env_ram":41,"env_deps":42,"category_tags":50,"github_topics":55,"view_count":61,"oss_zip_url":18,"oss_zip_packed_at":18,"status":62,"created_at":63,"updated_at":64,"faqs":65,"releases":94},8795,"microsoft\u002FGraphormer","Graphormer","Graphormer is a general-purpose deep learning backbone for molecular modeling.","Graphormer 是一款专为分子建模设计的通用深度学习框架，旨在加速材料发现、药物研发等科学领域的 AI 应用。它有效解决了传统深度学习模型在处理复杂分子图结构时精度不足或效率低下的难题，帮助科研人员更精准地预测分子性质与反应机制。\n\n这款工具主要面向人工智能研究人员、计算化学家以及从事药物或材料开发的工程师。通过 Graphormer，用户可以轻松训练自定义模型，或直接利用其在大型基准数据集（如 PCQM4M、Open Catalyst）上预训练的高性能版本，快速开展前沿研究。\n\nGraphormer 的核心亮点在于其创新的架构设计，成功将 Transformer 的强大表达能力引入图神经网络领域。它不仅曾斩获 KDD Cup 2021 和 Open Catalyst Challenge 等多项国际赛事冠军，还具备极高的灵活性，完美兼容 PyG、DGL、OGB 等主流图学习库及 Fairseq 骨干网络。无论是希望复现顶尖科研成果的学者，还是致力于构建高效分子模拟流程的开发者，Graphormer 都能提供从数据接口到模型训练的一站式支持，是探索微观分子世界的得力助手。","\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmicrosoft_Graphormer_readme_53c3a775d25d.png\" width=100%> \n\nGraphormer is a deep learning package that allows researchers and developers to train custom models for molecule modeling tasks. It aims to accelerate the research and application in AI for molecule science, such as material discovery, drug discovery, etc. [Project website](https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fproject\u002Fgraphormer\u002F).\n\n\u003Cfont size=7>Advanced pre-trained versions of Graphormer are available exclusively on [Azure Quantum Elements](https:\u002F\u002Fquantum.microsoft.com\u002Fen-us\u002Four-story\u002Fquantum-elements-overview).\u003C\u002Ffont>\n\n## Hiring\nHiring is temporarily freezed and will be re-opened soon. Please stay tuned. \n\n~~We are hiring at all levels (including FTE researchers and interns)! If you are interested in working with us on AI for Molecule Science, please send your resume to \u003Ca href=\"mailto:shuz@microsoft.com\" class=\"x-hidden-focus\">shuz@microsoft.com\u003C\u002Fa>.~~\n\n\n## Highlights in Graphormer v2.0\n* The model, code, and script used in the [Open Catalyst Challenge](https:\u002F\u002Fopencatalystproject.org\u002Fchallenge.html) are available.\n* Pre-trained models on PCQM4M and PCQM4Mv2 are available, more pre-trained models are comming soon.\n* Supports interface and datasets of PyG, DGL, OGB, and OCP.\n* Supports fairseq backbone.\n* Document is online!\n\n## What's New:\n\n***03\u002F10\u002F2022***\n  1. We upload a [technical report](https:\u002F\u002Farxiv.org\u002Fabs\u002F2203.04810) which describes improved benchmarks on PCQM4M & Open Catalyst Project.\n\n***12\u002F22\u002F2021***\n  1. Graphormer v2.0 is released. Enjoy!\n\n***12\u002F10\u002F2021***\n  1. **Graphormer** has won the [Open Catalyst Challenge](https:\u002F\u002Fopencatalystproject.org\u002Fchallenge.html). The technical talk could be found through this [link](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=uKJX3Mpu3OA&ab_channel=OpenCatalystProject).\n  2. The **slides** of NeurIPS 2021 could be found through this [link](https:\u002F\u002Fneurips.cc\u002Fmedia\u002Fneurips-2021\u002FSlides\u002F27679_XmkCZkZ.pdf).\n  3. The **new release** of Graphormer is comming soon, as a general molecule modeling toolkit, with models used in OC dataset, completed pre-trained model zoo, flexible data interface, and higher effiency of training.\n\n***09\u002F30\u002F2021***\n  1. **Graphormer** has been accepted by **NeurIPS 2021**.\n  2. We're hiring! Please contact ``shuz[at]microsoft.com`` for more information.\n\n***08\u002F03\u002F2021***\n  1. Codes and scripts are released.\n  \n***06\u002F16\u002F2021***\n  1. Graphormer has won the **1st place** of quantum prediction track of Open Graph Benchmark Large-Scale Challenge (KDD CUP 2021) [[Competition Description]](https:\u002F\u002Fogb.stanford.edu\u002Fkddcup2021\u002Fpcqm4m\u002F) [[Competition Result]](https:\u002F\u002Fogb.stanford.edu\u002Fkddcup2021\u002Fresults\u002F) [[Technical Report]](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2106.08279.pdf)   [[Blog (English)]](https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Flab\u002Fmicrosoft-research-asia\u002Farticles\u002Ftransformer-stands-out-as-the-best-graph-learner-researchers-from-microsoft-research-asia-wins-the-kdd-cups-2021-graph-prediction-track\u002F) [[Blog (Chinese)]](https:\u002F\u002Fwww.msra.cn\u002Fzh-cn\u002Fnews\u002Ffeatures\u002Fogb-lsc) \n\n\n## Get Started\n\nOur primary documentation is at https:\u002F\u002Fgraphormer.readthedocs.io\u002F and is generated from this repository, which contains instructions for getting started, training new models and extending Graphormer with new model types and tasks.\n\nNext you may want to read:\n\n* [Examples](https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002FGraphormer\u002Ftree\u002Fmain\u002Fexamples) showing command line usage of common tasks.\n\n\n## Requirements and Installation\n\n#### Setup with Conda\n\n```\nbash install.sh\n```\n\n\n\n## Citation\nPlease kindly cite this paper if you use the code:\n```\n@article{shi2022benchmarking,\n  title={Benchmarking Graphormer on Large-Scale Molecular Modeling Datasets},\n  author={Yu Shi and Shuxin Zheng and Guolin Ke and Yifei Shen and Jiacheng You and Jiyan He and Shengjie Luo and Chang Liu and Di He and Tie-Yan Liu},\n  journal={arXiv preprint arXiv:2203.04810},\n  year={2022},\n  url={https:\u002F\u002Farxiv.org\u002Fabs\u002F2203.04810}\n}\n\n@inproceedings{\nying2021do,\ntitle={Do Transformers Really Perform Badly for Graph Representation?},\nauthor={Chengxuan Ying and Tianle Cai and Shengjie Luo and Shuxin Zheng and Guolin Ke and Di He and Yanming Shen and Tie-Yan Liu},\nbooktitle={Thirty-Fifth Conference on Neural Information Processing Systems},\nyear={2021},\nurl={https:\u002F\u002Fopenreview.net\u002Fforum?id=OeWooOxFwDa}\n}\n```\n\n## Contributing\n\nThis project welcomes contributions and suggestions.  Most contributions require you to agree to a\nContributor License Agreement (CLA) declaring that you have the right to, and actually do, grant us\nthe rights to use your contribution. For details, visit https:\u002F\u002Fcla.opensource.microsoft.com.\n\nWhen you submit a pull request, a CLA bot will automatically determine whether you need to provide\na CLA and decorate the PR appropriately (e.g., status check, comment). Simply follow the instructions\nprovided by the bot. You will only need to do this once across all repos using our CLA.\n\nThis project has adopted the [Microsoft Open Source Code of Conduct](https:\u002F\u002Fopensource.microsoft.com\u002Fcodeofconduct\u002F).\nFor more information see the [Code of Conduct FAQ](https:\u002F\u002Fopensource.microsoft.com\u002Fcodeofconduct\u002Ffaq\u002F) or\ncontact [opencode@microsoft.com](mailto:opencode@microsoft.com) with any additional questions or comments.\n\n## Trademarks\n\nThis project may contain trademarks or logos for projects, products, or services. Authorized use of Microsoft \ntrademarks or logos is subject to and must follow \n[Microsoft's Trademark & Brand Guidelines](https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Flegal\u002Fintellectualproperty\u002Ftrademarks\u002Fusage\u002Fgeneral).\nUse of Microsoft trademarks or logos in modified versions of this project must not cause confusion or imply Microsoft sponsorship.\nAny use of third-party trademarks or logos are subject to those third-party's policies.\n","\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmicrosoft_Graphormer_readme_53c3a775d25d.png\" width=100%> \n\nGraphormer 是一个深度学习工具包，旨在帮助研究人员和开发者训练用于分子建模任务的自定义模型。它的目标是加速人工智能在分子科学领域的研究与应用，例如材料发现、药物研发等。[项目官网](https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Fproject\u002Fgraphormer\u002F)。\n\n\u003Cfont size=7>Graphormer 的高级预训练版本仅在 [Azure Quantum Elements](https:\u002F\u002Fquantum.microsoft.com\u002Fen-us\u002Four-story\u002Fquantum-elements-overview) 上提供。\u003C\u002Ffont>\n\n## 招聘\n目前招聘暂时冻结，将于近期重新开放，请持续关注。\n\n~~我们正在各个层级招聘（包括全职研究员和实习生）！如果您对与我们一起从事分子科学领域的人工智能研究感兴趣，请将您的简历发送至 \u003Ca href=\"mailto:shuz@microsoft.com\" class=\"x-hidden-focus\">shuz@microsoft.com\u003C\u002Fa>。~~\n\n\n## Graphormer v2.0 亮点\n* 提供了在 [Open Catalyst Challenge](https:\u002F\u002Fopencatalystproject.org\u002Fchallenge.html) 中使用的模型、代码和脚本。\n* 提供了 PCQM4M 和 PCQM4Mv2 数据集上的预训练模型，更多预训练模型即将发布。\n* 支持 PyG、DGL、OGB 和 OCP 的接口及数据集。\n* 支持 Fairseq 后端。\n* 文档已上线！\n\n## 最新动态：\n\n***2022年3月10日***\n  1. 我们上传了一篇 [技术报告](https:\u002F\u002Farxiv.org\u002Fabs\u002F2203.04810)，其中描述了在 PCQM4M 和 Open Catalyst Project 上的改进基准测试结果。\n\n***2021年12月22日***\n  1. Graphormer v2.0 正式发布。欢迎体验！\n\n***2021年12月10日***\n  1. **Graphormer** 荣获 [Open Catalyst Challenge](https:\u002F\u002Fopencatalystproject.org\u002Fchallenge.html) 冠军。相关技术演讲可通过此链接观看：[视频链接](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=uKJX3Mpu3OA&ab_channel=OpenCatalystProject)。\n  2. NeurIPS 2021 的 **幻灯片** 可通过此链接查看：[幻灯片链接](https:\u002F\u002Fneurips.cc\u002Fmedia\u002Fneurips-2021\u002FSlides\u002F27679_XmkCZkZ.pdf)。\n  3. **Graphormer 新版本** 即将发布，它将作为一个通用的分子建模工具包，包含 OC 数据集中的模型、完善的预训练模型库、灵活的数据接口以及更高的训练效率。\n\n***2021年9月30日***\n  1. **Graphormer** 已被 **NeurIPS 2021** 接受。\n  2. 我们正在招聘！更多信息请联系 ``shuz[at]microsoft.com``。\n\n***2021年8月3日***\n  1. 代码和脚本正式发布。\n\n***2021年6月16日***\n  1. Graphormer 在 Open Graph Benchmark 大规模挑战赛（KDD CUP 2021）的量子预测赛道中荣获 **第一名** [[比赛介绍]](https:\u002F\u002Fogb.stanford.edu\u002Fkddcup2021\u002Fpcqm4m\u002F) [[比赛结果]](https:\u002F\u002Fogb.stanford.edu\u002Fkddcup2021\u002Fresults\u002F) [[技术报告]](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2106.08279.pdf) [[英文博客]](https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Fresearch\u002Flab\u002Fmicrosoft-research-asia\u002Farticles\u002Ftransformer-stands-out-as-the-best-graph-learner-researchers-from-microsoft-research-asia-wins-the-kdd-cups-2021-graph-prediction-track\u002F) [[中文博客]](https:\u002F\u002Fwww.msra.cn\u002Fzh-cn\u002Fnews\u002Ffeatures\u002Fogb-lsc) \n\n\n## 开始使用\n\n我们的主要文档位于 https:\u002F\u002Fgraphormer.readthedocs.io\u002F，该文档由本仓库生成，其中包含了入门指南、如何训练新模型以及如何通过新增模型类型和任务扩展 Graphormer 的说明。\n\n接下来您可能想阅读：\n\n* [示例](https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002FGraphormer\u002Ftree\u002Fmain\u002Fexamples)，展示了常见任务的命令行用法。\n\n\n## 系统要求与安装\n\n#### 使用 Conda 进行设置\n\n```\nbash install.sh\n```\n\n\n\n## 引用\n如果您使用了本代码，请引用以下论文：\n```\n@article{shi2022benchmarking,\n  title={Benchmarking Graphormer on Large-Scale Molecular Modeling Datasets},\n  author={Yu Shi and Shuxin Zheng and Guolin Ke and Yifei Shen and Jiacheng You and Jiyan He and Shengjie Luo and Chang Liu and Di He and Tie-Yan Liu},\n  journal={arXiv preprint arXiv:2203.04810},\n  year={2022},\n  url={https:\u002F\u002Farxiv.org\u002Fabs\u002F2203.04810}\n}\n\n@inproceedings{\nying2021do,\ntitle={Do Transformers Really Perform Badly for Graph Representation?},\nauthor={Chengxuan Ying and Tianle Cai and Shengjie Luo and Shuxin Zheng and Guolin Ke and Di He and Yanming Shen and Tie-Yan Liu},\nbooktitle={Thirty-Fifth Conference on Neural Information Processing Systems},\nyear={2021},\nurl={https:\u002F\u002Fopenreview.net\u002Fforum?id=OeWooOxFwDa}\n}\n```\n\n## 贡献\n本项目欢迎各类贡献和建议。大多数贡献都需要您同意一份贡献者许可协议（CLA），以声明您有权并确实授予我们使用您贡献的权利。详情请访问 https:\u002F\u002Fcla.opensource.microsoft.com。\n\n当您提交拉取请求时，CLA 机器人会自动判断您是否需要提供 CLA，并相应地标记 PR（例如状态检查或评论）。您只需按照机器人提供的指示操作即可。对于所有使用我们 CLA 的仓库，您只需完成一次此流程。\n\n本项目已采用 [微软开源行为准则](https:\u002F\u002Fopensource.microsoft.com\u002Fcodeofconduct\u002F)。如需更多信息，请参阅 [行为准则常见问题解答](https:\u002F\u002Fopensource.microsoft.com\u002Fcodeofconduct\u002Ffaq\u002F)，或如有任何其他疑问或意见，请联系 [opencode@microsoft.com](mailto:opencode@microsoft.com)。\n\n## 商标\n本项目可能包含与项目、产品或服务相关的商标或标识。未经授权使用微软商标或标识须遵守并遵循 [微软商标与品牌指南](https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Flegal\u002Fintellectualproperty\u002Ftrademarks\u002Fusage\u002Fgeneral)。在本项目的修改版本中使用微软商标或标识时，不得造成混淆或暗示微软的赞助关系。任何第三方商标或标识的使用均应遵守其各自的政策。","# Graphormer 快速上手指南\n\nGraphormer 是一个专为分子建模任务设计的深度学习包，旨在加速材料发现、药物研发等 AI for Science 领域的应用。它支持 PyG、DGL、OGB 和 OCP 等多种主流接口与数据集。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：推荐 Linux (Ubuntu\u002FCentOS) 或 macOS。Windows 用户建议使用 WSL2。\n*   **Python 版本**：Python 3.7 或更高版本。\n*   **依赖管理**：推荐使用 `Conda` 进行环境隔离和依赖安装。\n*   **硬件要求**：训练模型建议使用 NVIDIA GPU，并安装对应的 CUDA 驱动。\n\n> **注意**：国内开发者若遇到网络问题，建议在配置 Conda 时使用清华或中科大镜像源加速包下载。\n\n## 安装步骤\n\nGraphormer 提供了便捷的脚本以自动处理依赖关系。推荐使用 Conda 进行安装：\n\n1.  克隆仓库（如果尚未克隆）：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002FGraphormer.git\n    cd Graphormer\n    ```\n\n2.  运行安装脚本：\n    ```bash\n    bash install.sh\n    ```\n\n该脚本将自动创建 Conda 环境并安装所有必要的依赖项（包括 PyTorch、Fairseq 及相关图神经网络库）。\n\n## 基本使用\n\n安装完成后，您可以参考官方提供的示例脚本来运行常见的分子建模任务。\n\n### 查看示例命令\n项目根目录下的 `examples` 文件夹包含了针对常见任务的命令行用法示例。您可以进入该目录查看具体配置：\n\n```bash\nls examples\n```\n\n### 运行训练任务\n通常，使用 Graphormer 训练模型的命令结构如下（具体参数请参考 `examples` 中的配置文件）：\n\n```bash\npython train.py --data-path \u003Cpath_to_data> --arch graphormer --task \u003Ctask_name> ...\n```\n\n*   **详细文档**：更完整的训练指南、新模型扩展方法及 API 说明，请访问官方文档站点：https:\u002F\u002Fgraphormer.readthedocs.io\u002F\n*   **预训练模型**：部分高级预训练模型可通过 Azure Quantum Elements 获取，开源版本中已包含 PCQM4M 等数据集的预训练权重。\n\n### 引用\n如果您在研究中使用了 Graphormer 的代码或模型，请务必引用以下论文：\n\n```bibtex\n@article{shi2022benchmarking,\n  title={Benchmarking Graphormer on Large-Scale Molecular Modeling Datasets},\n  author={Yu Shi and Shuxin Zheng and Guolin Ke and Yifei Shen and Jiacheng You and Jiyan He and Shengjie Luo and Chang Liu and Di He and Tie-Yan Liu},\n  journal={arXiv preprint arXiv:2203.04810},\n  year={2022}\n}\n```","某生物制药公司的 AI 研发团队正致力于从数百万种候选分子中筛选出能高效结合特定靶点的新型药物分子。\n\n### 没有 Graphormer 时\n- 传统图神经网络难以捕捉分子长程依赖关系，导致对复杂分子结构的能量预测准确率低下，大量无效候选者进入实验环节。\n- 团队需耗费数周时间手动构建特征工程并调整模型架构，以适配不同的数据集格式（如 OGB 或 PyG），研发迭代周期极长。\n- 缺乏高质量的预训练模型，每次新任务都需从头训练，不仅消耗巨大的算力资源，且在数据稀缺场景下模型极易过拟合。\n- 在开放催化剂挑战等高标准基准测试中，现有模型性能遭遇瓶颈，无法达到工业级筛选所需的精度阈值。\n\n### 使用 Graphormer 后\n- 利用 Graphormer 独有的 Transformer 架构处理分子图，精准捕获原子间的长程相互作用，将量子性质预测误差显著降低，大幅减少湿实验试错成本。\n- 直接调用其灵活的数据接口无缝对接 PyG、DGL 及 OCP 数据集，无需重复造轮子，团队可在一天内完成新任务的模型部署与验证。\n- 加载在 PCQM4M 等大型数据集上预训练的 Graphormer 模型，实现“开箱即用”，即使在小样本药物发现任务中也能快速收敛并保持高泛化能力。\n- 凭借其在 Open Catalyst Challenge 中夺冠的架构优势，模型在关键基准测试中刷新 SOTA 记录，为材料筛选提供了可信赖的决策依据。\n\nGraphormer 通过引入先进的 Transformer 骨干网络与丰富的预训练模型库，将分子建模的研发效率提升了数量级，成为加速新药与新材料发现的核心引擎。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmicrosoft_Graphormer_53c3a775.png","microsoft","Microsoft","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fmicrosoft_4900709c.png","Open source projects and samples from Microsoft",null,"opensource@microsoft.com","OpenAtMicrosoft","https:\u002F\u002Fopensource.microsoft.com","https:\u002F\u002Fgithub.com\u002Fmicrosoft",[24,28,32],{"name":25,"color":26,"percentage":27},"Python","#3572A5",93.9,{"name":29,"color":30,"percentage":31},"Shell","#89e051",4.6,{"name":33,"color":34,"percentage":35},"Cython","#fedf5b",1.5,2441,374,"2026-04-17T14:26:35","MIT",3,"未说明",{"notes":43,"python":41,"dependencies":44},"README 中未列出具体的系统、硬件及 Python 版本要求，仅提供了通过运行 'bash install.sh' 脚本使用 Conda 进行安装的方法。该工具支持 PyG、DGL、OGB 和 OCP 等主流图深度学习库的接口和数据集，并基于 fairseq 构建。高级预训练模型仅在 Azure Quantum Elements 上提供。",[45,46,47,48,49],"PyG","DGL","OGB","OCP","fairseq",[51,52,53,54],"其他","数据工具","语言模型","开发框架",[56,57,58,59,60],"graph","transformer","deep-learning","ai4science","molecule-simulation",2,"ready","2026-03-27T02:49:30.150509","2026-04-18T09:19:29.256711",[66,71,76,81,86,90],{"id":67,"question_zh":68,"answer_zh":69,"source_url":70},39455,"运行示例脚本（如 zinc.sh）后无响应、卡住或出现分段错误（Segmentation fault）怎么办？","这通常是由 `setuptools` 包引起的兼容性问题。请尝试在安装完成后卸载该包：\n```bash\npip uninstall setuptools\n```\n卸载后再次运行脚本，虽然可能会提示 `No module named '_distutils_hack'` 的错误，但这通常不影响程序正常运行。如果问题依旧，可能是 OGB 包版本过旧导致的，请参考相关修复补丁（如 PR #114）。","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002FGraphormer\u002Fissues\u002F100",{"id":72,"question_zh":73,"answer_zh":74,"source_url":75},39456,"无法使用提供的 SAS Token 下载数据集或检查点（报错 403 Authentication Failed）如何解决？","原有的 Azure Blob Storage 下载链接和 SAS Token 可能已过期或失效。维护者已将资源迁移至 Hugging Face。请访问以下新地址获取数据集和模型：\nhttps:\u002F\u002Fhuggingface.co\u002Fmicrosoft\u002FGraphormer\u002Ftree\u002Fmain\u002FDistributional-Graphormer\u002Fprotein","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002FGraphormer\u002Fissues\u002F194",{"id":77,"question_zh":78,"answer_zh":79,"source_url":80},39457,"在微调预训练模型时，加载检查点报错“size mismatch”（维度不匹配）怎么办？","这是因为预训练任务（如 PCQM，回归任务）与下游任务（如 PCBA，多标签分类任务）的输出层维度不同。加载检查点时，不应加载最后一层（输出投影层\u002Fdownstream_out_proj）。\n解决方案是重新初始化最后一层，只加载骨干网络部分的权重。代码逻辑中应排除最后一层的参数加载，或者在加载 state_dict 时设置 `strict=False` 并手动处理不匹配的键，确保下游任务的输出层是根据新任务随机初始化的。","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002FGraphormer\u002Fissues\u002F22",{"id":82,"question_zh":83,"answer_zh":84,"source_url":85},39458,"运行脚本时卡在下载数据集步骤（如 molecules 或 zinc），无法自动下载怎么办？","如果自动下载失败（通常是由于网络原因导致 `torch_geometric` 下载器超时），您可以手动下载数据集文件。\n1. 找到 `torch_geometric` 库中对应的数据集类（如 `zinc.py`）中的 `url` 属性。\n2. 使用浏览器或其他下载工具手动下载该 URL 指向的文件。\n3. 将下载好的文件放置在代码预期的缓存目录中（通常是 `~\u002F.cache\u002Ftorch_geometric\u002Fdatasets\u002F` 或脚本中指定的 `root` 目录）。\n4. 重新运行脚本，程序检测到文件存在后会跳过下载步骤。","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002FGraphormer\u002Fissues\u002F99",{"id":87,"question_zh":88,"answer_zh":89,"source_url":80},39459,"如何复现 PCBA 数据集上的结果？是否有专门的预训练检查点？","官方并未直接提供专门针对 PCBA 任务预训练的检查点。复现流程通常是：\n1. 使用提供的 PCQM 预训练检查点作为初始化权重。\n2. 在 PCBA 数据集上进行微调（Fine-tuning）。\n3. 关键点：微调时必须重新初始化模型的最后一层（输出层），因为 PCQM（回归）和 PCBA（128 维二分类）的任务头维度不一致，不能直接复用预训练的输出层权重。",{"id":91,"question_zh":92,"answer_zh":93,"source_url":70},39460,"安装后运行 `fairseq-train` 报错，提示 OGB 包版本过旧或导入模块失败怎么办？","错误日志中若显示 `The OGB package is out of date` 或相关的导入错误，说明当前的 OGB 版本与 Graphormer 代码不兼容。\n解决方法：\n1. 升级 OGB 包到最新版本：`pip install --upgrade ogb`。\n2. 如果升级后仍有问题，请检查项目是否应用了最新的修复补丁（例如 Issue #114 提到的修复），某些旧版本的 OGB 接口变更可能导致 `import_user_module` 失败。",[95,100],{"id":96,"version":97,"summary_zh":98,"released_at":99},315408,"dig-v1.0","随分布图变换器代码一同发布。","2024-04-03T08:23:10",{"id":101,"version":102,"summary_zh":103,"released_at":104},315409,"pre-release","在分布图变换器发布之前。","2024-04-03T02:11:07",[106,116,124,132,140,149],{"id":107,"name":108,"github_repo":109,"description_zh":110,"stars":111,"difficulty_score":40,"last_commit_at":112,"category_tags":113,"status":62},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,"2026-04-06T06:32:30",[114,54,115,52],"Agent","图像",{"id":117,"name":118,"github_repo":119,"description_zh":120,"stars":121,"difficulty_score":40,"last_commit_at":122,"category_tags":123,"status":62},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[54,115,114],{"id":125,"name":126,"github_repo":127,"description_zh":128,"stars":129,"difficulty_score":61,"last_commit_at":130,"category_tags":131,"status":62},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",159636,"2026-04-17T23:33:34",[54,114,53],{"id":133,"name":134,"github_repo":135,"description_zh":136,"stars":137,"difficulty_score":61,"last_commit_at":138,"category_tags":139,"status":62},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[54,115,114],{"id":141,"name":142,"github_repo":143,"description_zh":144,"stars":145,"difficulty_score":61,"last_commit_at":146,"category_tags":147,"status":62},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[148,114,115,54],"插件",{"id":150,"name":151,"github_repo":152,"description_zh":153,"stars":154,"difficulty_score":61,"last_commit_at":155,"category_tags":156,"status":62},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[148,54]]