في عالم الذكاء الاصطناعي الحديث، يتجه الباحثون نحو تطوير نماذج أكثر كفاءة وفعالية، ومن ضمن هذه الابتكارات يأتي نموذج موشي (Mochi)، وهو نموذج الجراف الجديد الذي يهدف إلى تحسين كفاءة التدريب وتوحيد المهام. يعتمد النموذج على إطار عمل مستند إلى التعلم السريع (Meta-Learning) الذي يحقق توافقًا بين أهداف التدريب والاختبار، مما يتيح له تحقيق نتائج أداء متفوقة.

كانت النماذج السابقة تعتمد على أهداف تعتمد على إعادة البناء مثل توقع الروابط، وكانت تفترض أن التمثيلات الناتجة يمكن أن تتوافق مع المهام اللاحقة من خلال خطوة توحيد منفصلة. ومع ذلك، أظهرت التجارب بشكل واضح أن هذه الطريقة، رغم بساطتها، تحمل قيودًا تؤثر سلبًا على أداء المهام اللاحقة.

للتغلب على هذه القيود، تم تصميم موشي ليقوم بالتدريب على حلقات ذات حالات قليلة (Few-Shot Episodes) تعكس بروتوكولات التقييم المستخدمة لاحقًا، مما يضمن توافق الهدف التدريبي مع الأهداف أما الاختبار، بدلاً من الاعتماد على خطوة توحيد لاحقة.

أظهرت التجارب، سواء كانت صناعية أو حقيقية، أن موشي، بالإضافة إلى نسخته الأقوى موشي++، يحقق أداءً تنافسيًا أو أفضل مقارنة بالنماذج الأخرى في 25 مجموعة بيانات جراف حقيقية، تشمل تصنيف العقد، وتوقع الروابط، وتصنيف الجراف، بينما يتطلب 8 إلى 27 مرة أقل من وقت التدريب مقارنة بالنماذج الأساسية الأقوى.