Spektrale graphenbasierte Faltungsnetze sind Verallgemeinerungen herkömmlicher Faltungsnetze für graphenstrukturierte Daten, die den Laplace-Operator nutzen. Eine verbreitete Missverständnis betrifft die Instabilität spektraler Filter, also die angebliche Unmöglichkeit, spektrale Filter zwischen Graphen unterschiedlicher Größe und Topologie zu übertragen. Dieses Missverständnis hat die Entwicklung spektraler Netze für Aufgaben mit mehreren Graphen im Vergleich zu räumlichen Graphennetzen eingeschränkt. In jüngster Zeit konnten jedoch neue Arbeiten die Stabilität spektraler Filter unter Graphenstörungen nachweisen. Unsere Arbeit ergänzt diese Erkenntnisse und unterstreicht weiterhin die hohe Transferierbarkeit spektraler Filter, indem sie spektrale graphenbasierte Netze anhand von Aufgaben mit Graphen unterschiedlicher Größe und Verbindungsdichte evaluiert. Numerische Experimente zeigen eine überzeugende Leistung bei Graphen-Regression, Graphen-Klassifikation und Knoten-Klassifikation an zwei etablierten Graphenbenchmarks. Die Implementierung unserer Experimente ist auf GitHub verfügbar, um Reproduzierbarkeit zu gewährleisten.