Les champs de forces des réseaux neuronaux graphiques équivariants (EGraFFs) ont montré un grand potentiel dans la modélisation d'interactions complexes dans les systèmes atomiques en exploitant les symétries inhérentes aux graphes. Les travaux récents ont conduit à une augmentation significative du développement de nouvelles architectures qui intègrent des biais inductifs basés sur l'équivariance, ainsi que des innovations architecturales telles que les transformateurs graphiques et le passage de messages pour modéliser les interactions atomiques. Cependant, une évaluation approfondie de ces EGraFFs déployés pour la tâche aval de simulations atomistiques réelles fait encore défaut. Dans cette optique, nous effectuons ici une évaluation systématique de 6 algorithmes EGraFF (NequIP, Allegro, BOTNet, MACE, Equiformer, TorchMDNet), visant à comprendre leurs capacités et leurs limites pour des simulations atomistiques réalistes. Outre notre évaluation et analyse approfondies sur huit jeux de données existants basés sur la littérature de référence, nous mettons à disposition deux nouveaux jeux de données de référence, proposons quatre nouvelles métriques et trois tâches difficiles. Ces nouveaux jeux de données et tâches évaluent les performances des EGraFFs face à des données hors distribution, en termes de différentes structures cristallines, températures et nouvelles molécules. De manière intéressante, l'évaluation des modèles EGraFF basée sur des simulations dynamiques révèle qu'une erreur plus faible sur l'énergie ou la force ne garantit pas nécessairement une simulation stable ou fiable ni une reproduction fidèle des structures atomiques. De plus, nous constatons qu'aucun modèle ne surpasse clairement les autres sur tous les jeux de données et tâches. Il est important de noter que les performances de tous les modèles sur les jeux de données hors distribution sont peu fiables, soulignant le besoin d'un développement d'un modèle fondamental pour les champs de forces pouvant être utilisé dans des simulations réelles. En résumé, ce travail établit un cadre rigoureux pour l'évaluation des champs de forces appris par machine dans le contexte des simulations atomiques et identifie les défis ouverts dans ce domaine.