图机器学习在理解和分析关系型数据方面至关重要。然而，在隐私敏感的应用场景中，亟需高效地从已训练的图神经网络（GNN）中移除敏感信息，以避免因从头重新训练模型而带来的不必要的计算与存储开销。为应对这一挑战，图遗忘（Graph Unlearning, GU）应运而生，成为一项关键解决方案。GU具备支持数据管理系统中动态图更新的能力，并可在分布式数据系统中实现可扩展的遗忘功能，同时保障隐私合规性。与计算机视觉等领域的机器遗忘不同，GU面临独特的技术难题：图数据具有非欧几里得特性，而GNN则依赖递归的消息传递机制。此外，下游任务的多样性以及遗忘请求的复杂性进一步加剧了这些挑战。尽管已有多种GU策略被提出，但由于缺乏一个能够提供公平比较的基准，且在整合下游任务与遗忘请求方面灵活性有限，导致现有评估结果存在不一致，严重制约了该领域的进一步发展。为填补这一空白，我们提出了OpenGU——首个图遗忘基准平台。该平台集成了16种当前最先进的GU算法、37个跨领域数据集，在支持13种GNN主干网络的基础上，能够响应多样化的下游任务与灵活的遗忘请求。基于这一统一的基准框架，我们实现了对GU方法全面而公平的评估。通过大量实验，我们得出了关于现有GU方法的关键结论，同时深入揭示了其局限性，为未来研究指明了潜在的发展方向。