그래프 신경망(GNN)은 하향식 메시지 전달 방식을 통해 작동하며, 인간의 시각 인지 방식과 근본적으로 다릅니다. 인간의 시각 인지는 먼저 전반적인 구조를 직관적으로 파악하는 데 특징이 있습니다. 본 연구는 그래프 이해에 있어 시각 모델의 충분히 평가되지 않은 잠재력을 탐구하며, 기존 기준에서 GNN과 비슷한 성능을 달성하는 동시에, 매우 다른 학습 패턴을 보임을 발견했습니다. 이러한 상이한 행동 양상과, 도메인 특성과 위상적 이해를 혼동하는 기존 벤치마크의 한계를 고려하여, 우리는 'GraphAbstract'를 제안합니다. 이 벤치마크는 인간이 그래프의 전반적 특성을 인지하는 방식과 유사하게, 모델이 조직적 아키타입을 인식하고, 대칭성을 탐지하며, 연결 강도를 감지하고, 핵심 요소를 식별하는 능력을 평가합니다. 실험 결과, 전반적인 구조적 이해가 필요한 과제에서 시각 모델이 GNN을 크게 상회하며, 다양한 그래프 규모에 걸쳐도 일반화 능력을 유지하는 반면, GNN은 전반적 패턴의 추상화에 어려움을 겪고 그래프 크기가 커질수록 성능이 저하됨을 확인했습니다. 본 연구는 시각 모델이 전반적 위상 인식과 척도 불변 추론이 필요한 문제에 있어 놀라운 잠재력을 지니고 있음에도 불구하고, 여전히 충분히 활용되지 않고 있음을 입증합니다. 이러한 발견은 전반적 패턴 인식이 주요한 과제에 대해, 보다 효과적인 그래프 기반 모델을 개발하기 위해 이 충분히 평가되지 않은 잠재력을 활용할 수 있는 새로운 길을 열어줍니다.