开源项目 | GammaGL 发布 0.6.0 版本

原创

崔善元
崔善元

北邮 GAMMA Lab

2026年7月9日 11:27
北京

在小说阅读器读本章

去阅读

图1：GammaGL 0.6.0 总体架构流程图

GammaGL 现已推出 0.6.0 版本。作为一个基于 TensorLayerX 的图学习开源库，GammaGL 面向图神经网络模型研究、算法复现和图学习应用实验，提供统一的数据结构、消息传递接口、模型组件、采样工具和多后端运行能力。

相比此前版本，GammaGL 0.6.0 不只关注模型和示例数量的扩展，也进一步整理了安装方式、扩展依赖、公开 API 和贡献者工具。新版本在基础 GNN、图生成、少样本学习、图基础模型以及大模型结合图学习等方向补充了能力，同时让用户能够更轻松地根据 CPU、GPU 或扩展需求，选择合适的安装方式。

一、面向更多图学习场景的模型与示例

GammaGL 0.6.0 继续扩展图学习模型和实验示例，覆盖节点分类、图生成、图表示学习、少样本学习、关系建模和图基础模型等方向。新版本将多个社区贡献的模型和示例整理进统一的项目结构，便于用户按任务查找、运行和复现。

图2：GammaGL 0.6.0 模型与示例能力地图

方向	代表内容	适用场景
图生成与分子建模	DeFoG 相关模型、数据处理和采样流程	分子图生成、图扩散/流匹配实验
图基础模型与图文本结合	GraphGPT、LLaGA、LLM/GFM 扩展依赖	图表示与语言模型结合、图基础模型研究
少样本与统一特征学习	UniFEWS 相关模型、层和运行脚本	少样本节点分类、特征迁移实验
关系与异构结构建模	RGT、GNRF 等示例和工具	关系图预测、异构关系建模
经典 GNN 体验	GCN、GAT、GraphSAGE 等核心模型路径优化	教学、基线实验、快速验证

这些内容让 GammaGL 在常见图神经网络任务之外，进一步覆盖图生成、图基础模型和低资源图学习等近期活跃方向。对用户来说，新增的模型和示例不只是\"放进仓库\"，而是逐步接入到更清晰的安装、运行和文档体系中。

二、CPU/GPU 安装方式更加清晰

图学习库的安装体验很大程度上取决于原生算子和 CUDA 环境。GammaGL 0.6.0 对安装方式进行了重新整理，用户仍然使用同一个 gammagl 包，但可以通过环境变量选择是否构建 CUDA 扩展：

GAMMAGL_WITH_CUDA=0 # CPU-only
GAMMAGL_WITH_CUDA=1 # 强制 GPU
GAMMAGL_WITH_CUDA=auto # 自动检测

其中，0 适合 CPU-only 环境，1 适合明确需要 CUDA 扩展的 GPU 环境，auto 则会根据本机 CUDA 工具链自动选择。这样一来，用户既不需要在不同包名之间切换，也能避免 CPU 环境因缺少 CUDA 工具链而导致安装失败。

推荐的源码安装方式如下：

pip install git+https://github.com/dddg617/tensorlayerx.git@nightly
pip install pybind11 ninja
GAMMAGL_WITH_CUDA=auto TL_BACKEND=torch pip install -e \".[build]\"

GammaGL 0.6.0 继续依托 GAMMA Lab 自维护的 TensorLayerX nightly 分支，便于多后端适配和图学习算子能力持续迭代。

三、LLM/GFM 能力作为可选扩展

随着图基础模型、图文本对齐和 LLM for Graph 方向快速发展，GammaGL 中也逐步加入了 GraphGPT、LLaGA 等相关能力。与此同时，这类能力通常依赖 Transformers、OpenAI SDK、torch-geometric、sentence-transformers 等较重组件。

为了兼顾普通 GNN 用户和图基础模型用户，GammaGL 0.6.0 将 LLM/GFM 相关依赖拆分为可选 extras：

pip install \"gammagl[llm]\"
pip install \"gammagl[gfm]\"
pip install \"gammagl[llm-gfm]\"

如果用户只需要运行常规 GNN 模型，可以保持核心安装轻量；如果需要使用图语言模型、图基础模型或相关示例，再按需安装扩展依赖。这一拆分让 GammaGL 在保持基础库简洁的同时，也为更前沿的图智能方向保留了扩展空间。

四、公开 API 与文档入口更统一

随着项目规模增长，用户常见的问题不再只是\"有没有这个模型\"，还包括\"这个对象能不能从文档里的入口直接导入\"、\"README 示例和代码是否一致\"、\"后端配置会不会被库内部覆盖\"等。GammaGL 0.6.0 对这些基础体验进行了整理。

新版本补齐了 gammagl.layers、gammagl.models 等公开入口中的若干导出项，让文档中出现的对象更容易被用户直接访问。以消息传递基类为例，用户可以通过更直观的方式导入：

from gammagl.layers import MessagePassing

同时，文档中的版本信息、安装说明与运行时的 __version__ 保持一致；库代码也减少了在 import 阶段对用户后端设置的干预。对于需要在 Torch、TensorFlow、Paddle、MindSpore 等后端之间切换的用户来说，这类整理可以降低环境配置和示例迁移时的额外成本。

五、面向贡献者的 GammaGL Skill

为了让新贡献者更快理解项目结构和开发流程，GammaGL 0.6.0 在仓库中新增了 skills/gammagl-developer。它沉淀了 GammaGL 常见的安装方式、后端配置、模型接入、原生算子构建、测试命令和故障排查流程。

图3：GammaGL Developer Skill 贡献者流程图

用户克隆 GammaGL 后，可以将该 skill 安装到本地 Codex skills 目录：

mkdir -p ~/.codex/skills
cp -r skills/gammagl-developer ~/.codex/skills/

之后在支持 skills 的 coding CLI 中调用 GammaGL Skill，即可辅助完成常见任务，例如运行 GCN/GAT/GraphSAGE 示例、排查 CUDA 扩展构建问题、了解新增模型时需要修改哪些接口和测试文件等。

它把项目维护经验沉淀为可复用的开发指南，让贡献者更容易参与 GammaGL 的模型、算子、数据集和文档建设。

六、推荐使用方式

对于想快速体验 GammaGL 的用户，可以从 Torch backend 开始：

pip install torch torchvision torchaudio
pip install gammagl

对于需要参与开发或运行最新源码示例的用户，推荐使用源码安装：

git clone https://github.com/BUPT-GAMMA/GammaGL.git
cd GammaGL
pip install git+https://github.com/dddg617/tensorlayerx.git@nightly
pip install pybind11 ninja
GAMMAGL_WITH_CUDA=auto TL_BACKEND=torch pip install -e \".[build]\"

用户可以根据是否需要 CUDA、LLM/GFM 扩展和文档构建能力，选择对应的安装参数和 extras。