图神经网络（GNNs）通过自底向上的消息传递机制运行，这与人类视觉感知的直觉方式存在根本差异——人类首先直观地捕捉全局结构。我们探讨了视觉模型在图理解任务中被低估的潜力，发现其在现有基准测试上取得的性能可与GNNs相媲美，但展现出截然不同的学习模式。这些行为上的差异，加之现有基准测试将领域特征与拓扑理解混为一谈的局限性，促使我们提出GraphAbstract。该基准评估模型感知全局图属性的能力，如同人类一般：识别组织原型、检测对称性、感知连通性强度，以及识别关键节点。实验结果表明，对于需要整体结构理解的任务，视觉模型显著优于GNNs，并在不同图规模下保持良好的泛化能力；而GNNs在全局模式抽象方面表现不佳，且随着图规模增大性能明显下降。本研究揭示，视觉模型在图结构理解方面具备卓越但尚未被充分挖掘的能力，尤其适用于需要全局拓扑感知与尺度不变推理的问题。这些发现为开发更有效的图基础模型开辟了新路径，尤其在以整体模式识别为主导的任务中，具有重要应用前景。