Meta构建并且部署了一种称为少量样本学习（Few-Shot Learner，FSL）的人工智能技术，将平台对有害内容的反应时间从数月降低到数周，并且能够不断适应新的有害内容类型。该技术适用超过100种语言，还可以从图像和文本等不同类型的资料中学习，同时能够强化现有已经部署，用来侦测其他类型有害内容的人工智能模型。
有害内容演变的速度很快，无论是由事件驱动，抑或是恶意人士刻意规避系统侦测的行为，官方提到，人工智能系统能跟上有害内容演变速度变得很重要，但人工智能要能侦测这些有害内容，通常需要数个月的时间收集并且标记范例，才能训练每个单独的人工智能系统，发现新类型的内容。
而Meta新发展的这个人工智能系统，使用少样本学习技术，官方解释，这是一种相对较新的方法，其模型能够从对许多不同主题，拥有大量且一般性的理解，接着只要使用少量或甚至零样本来学习新任务，就能有效地执行任务，Meta以捕鱼技术来比喻人工智能侦测技术，传统系统类似可以捕捉特定鱼种的钓鱼线，而少样本学习技术则像是额外的网子，可以捕捉其他类型的鱼。
之所以Meta现在才能够采用少样本学习技术，研究人员解释，这是因为最近的技术突破，像是自我监督学习技术，和超高效基础设施，使该领域能够开始从传统、特定的人工智能系统，转向更大且更通用的系统，并且降低对标记资料的依赖。
Meta使用违反政策的内容，来训练新的人工智能系统，最后该模型还以解释新政策的文本进行训练，和过去通过比对资料模式的系统不同，FSL使用通用语言，以及违反政策的内容进行训练，因此可以学习政策的隐藏含义。
目前Meta已经在一些较新的事件中，测试FSL的表现，像是识别暗指疫苗会改变DNA，这类以误导性或是危言耸听信息，吓阻他人接种COVID-19疫苗的贴文，其他的任务还有改进现有分类器，该分类器能够标记煽动暴力的内容，侦测到类似“那个人需要所有的牙齿吗？”这种贴文，官方提到，传统的方法可能会忽略这类型的煽动性贴文，因为使用DNA来质疑疫苗接种，和利用牙齿来暗示暴力的样本并不多。
官方运用各种方法来衡量模型的性能，并且查看FSL在脸书和Instagram上部署后，有害内容的流行率，也就是人们看到违规内容的次数百分比之间的差异，经过实验，Meta人工智能少样本学习技术，能够正确侦测传统系统可能遗漏的贴文，并且通过主动侦测潜在有害内容，来防止有害内容在平台中传播，以减少这类内容的流行。