المرجعية الحديثة لقياس الأداء على الرسوم البيانية ذات المدى الطويل (LRGB، Dwivedi وآخرون 2022) قدّمت مجموعة من مهام تعلم الرسوم البيانية تعتمد بشكل كبير على التفاعل بين الرؤوس على مدى طويل. تشير الأدلة التجريبية إلى أن مُحوّلات الرسوم البيانية (Graph Transformers) تتفوق بشكل كبير على شبكات العصبونات الرسومية التي تعتمد على نقل الرسائل (Message Passing GNNs, MPGNNs) في هذه المهام. في هذا البحث، نعيد تقييم العديد من أساسيات MPGNN بالإضافة إلى مُحوّل الرسم البياني GPS (Rampášek وآخرون 2022) باستخدام MRGB. من خلال تحليل تجريبي دقيق، نثبت أن الفجوة في الأداء التي تم الإبلاغ عنها هي مبالغ فيها بسبب اختيارات غير مثلى للمعايير الفائقة. ومن الجدير بالذكر أن الفجوة في الأداء تتلاشى تمامًا بعد تنفيذ تحسينات أساسية للمعايير الفائقة عبر عدة قواعد بيانات. علاوة على ذلك، نناقش أثر عدم وجود تطبيع للخصائص في قواعد بيانات الرؤية الخاصة بـ LRGB ونسلط الضوء على تنفيذ خاطئ لمعيار التنبؤ بالروابط في LRGB. الهدف الأساسي من بحثنا هو وضع معيار أعلى للصرامة التجريبية داخل مجتمع تعلم الآلة على الرسوم البيانية.