تعمل الشبكات العصبية الرسومية (Graph Neural Networks) من خلال تبادل الرسائل من الأسفل إلى الأعلى، وهو ما يختلف جوهريًا عن التمييز البصري البشري، الذي يُدرك هياكل العالم بشكل تلقائي وفوري. نستعرض في هذا العمل القدرة المُهملة نسبيًا للنماذج البصرية في فهم الرسوم البيانية، ونجد أنها تحقق أداءً مماثلًا للشبكات العصبية الرسومية على معايير معيارية معروفة، مع امتلاكها أنماط تعلّم مختلفة بوضوح. تُعزز هذه السلوكيات المُختلفة، جنبًا إلى جنب مع القيود المفروضة على المعايير الحالية التي تخلط بين السمات الحدودية والفهم التوافقي، تطويرنا ل benchmark جديد يُسمى GraphAbstract. يقيس هذا المعيار قدرة النماذج على إدراك الخصائص الشاملة للرسوم البيانية كما يفعل البشر: التعرف على النماذج التنظيمية، وتحديد التماثل، وتمييز قوة الاتصال، وتحديد العناصر الحاسمة. تُظهر نتائجنا أن النماذج البصرية تتفوّق بشكل ملحوظ على الشبكات العصبية الرسومية في المهام التي تتطلب فهمًا شاملاً للهيكل، وتحتفظ بقدرتها على التعميم عبر مقياسات رسومية متفاوتة، في حين تُعاني الشبكات العصبية الرسومية من صعوبة في تعميم الأنماط الشاملة وتتدهور أداؤها مع زيادة حجم الرسوم البيانية. تُظهر هذه الدراسة أن النماذج البصرية تمتلك قدرات استثنائية لكنها غير مستغلة بشكل كافٍ في فهم البنية الرسومية، خاصةً في المشكلات التي تتطلب وعيًا توافقيًا شاملًا واستنتاجًا غير حساس لمقاييس الحجم. تفتح هذه النتائج آفاقًا جديدة لاستغلال هذه القدرة المُهملة في تطوير نماذج أساسية للرسوم البيانية أكثر فعالية، خاصةً في المهام التي تهيمن عليها التعرف على الأنماط الشاملة.