Este artículo presenta un enfoque novedoso para generalizar tareas de grafos no vistos sin guía específica para cada tarea, superando las limitaciones del espacio de etiquetas fijo de las GNN y la ausencia de sesgo inductivo estructural en los LLM. Aprovechando los Modelos de Razonamiento de Gran Tamaño (LRM), replanteamos tareas de grafos como la clasificación de nodos, la predicción de enlaces y la clasificación de grafos como problemas de inferencia de texto. Para lograrlo, presentamos un nuevo conjunto de datos que contiene trazas de inferencia detalladas para cada tarea y desarrollamos Graph-R1, un marco de aprendizaje por refuerzo que guía la inferencia en grafos linealizados mediante plantillas de reconsideración específicas para cada tarea. Los resultados experimentales demuestran que Graph-R1 genera predicciones interpretables y efectivas que superan a los modelos de referencia de vanguardia en entornos de cero disparos. Este estudio destaca el potencial del aprendizaje de grafos mediante inferencia explícita y proporciona nuevo material para futuras investigaciones.
