arXiv:2606.06865v1 Announce Type: new 
Abstract: Large language models (LLMs) have been increasingly explored for graph computation, where tasks require reasoning over structured relationships and algorithmic operations. Yet, it remains unclear when LLMs can reliably support such computation and how they should be incorporated into graph-solving pipelines. Existing surveys at the intersection of LLMs and graphs primarily focus on graph learning, text-attributed graphs, or graph-language modeling. To bridge this gap, we provide a comprehensive review of LLMs for graph computation through a role-based taxonomy. Specifically, we identify two major paradigms: i) LLMs as executors, where models directly solve graph tasks from graph descriptions and instructions; and ii) LLMs as planners, where models formulate problems, decompose reasoning steps, and invoke external tools or agents for execution. Based on this taxonomy, we analyze the strengths and limitations of current methods. Our review indicates that LLMs are promising for simple, small-scale tasks, but remain unreliable for large-scale and exactness-demanding tasks. Finally, we summarize available datasets and suggest four future directions.

بحثت دراسات حديثة في ملاءمة النماذج اللغوية الكبيرة (LLMs) لحساب الرسوم البيانية، مع التركيز على قدرتها على التفكير في العلاقات الهيكلية وإجراء العمليات الخوارزمية. تحدد الدراسة نموذجين رئيسيين: LLMs كمنفذين، الذين يحلون المهام الرسومية مباشرة، وLLMs كمنظمين، الذين يصيغون المشكلات ويقسمون خطوات التفكير. تهدف هذه المراجعة الشاملة إلى توضيح دور LLMs في خطوط أنابيب حل الرسوم البيانية.

Investigaciones recientes han explorado la idoneidad de los grandes modelos de lenguaje (LLMs) para el cálculo gráfico, centrándose en su capacidad para razonar sobre relaciones estructuradas y realizar operaciones algorítmicas. El estudio identifica dos paradigmas: LLMs como ejecutores, que resuelven tareas gráficas directamente, y LLMs como planificadores, que formulan problemas y descomponen pasos de razonamiento. Esta revisión integral tiene como objetivo aclarar el papel de los LLMs en los procesos de resolución gráfica.

Des recherches récentes ont examiné la pertinence des grands modèles de langage (LLMs) pour le calcul graphique, en se concentrant sur leur capacité à raisonner sur des relations structurées et à effectuer des opérations algorithmiques. L'étude identifie deux paradigmes : les LLMs en tant qu'exécuteurs, qui résolvent directement les tâches graphiques, et les LLMs en tant que planificateurs, qui formulent des problèmes et décomposent les étapes de raisonnement. Cette revue complète vise à clarifier le rôle des LLMs dans les pipelines de résolution de graphes.

Recent research has explored the suitability of large language models (LLMs) for graph computation, focusing on their ability to reason over structured relationships and perform algorithmic operations. The study identifies two paradigms: LLMs as executors, which solve graph tasks directly, and LLMs as planners, which formulate problems and decompose reasoning steps. This comprehensive review aims to clarify the role of LLMs in graph-solving pipelines.