النماذج الأساسية في مجالات اللغة والرؤية تمتلك القدرة على إجراء الاستنتاج (inference) على أي إدخالات نصية أو بصرية بفضل التمثيلات القابلة للنقل، مثل قاموس الرموز (tokens) في اللغة. أما الرسوم المعرفية (KGs) فلها قواميس كيانات وعلاقات مختلفة عادةً ما لا تتداخل. والتحدي الرئيسي في تصميم نماذج أساسية على الرسوم المعرفية هو تعلُّم تمثيلات قابلة للنقل تُمكّن الاستنتاج على أي رسم معرفي بقواميس كيانات وعلاقات عشوائية. في هذا العمل، نتقدّم خطوة نحو هذه النماذج الأساسية ونقدّم ULTRA، وهي طريقة لتعلم تمثيلات رسومية عالمية وقابلة للنقل. تعتمد ULTRA على بناء تمثيلات علاقات كدالة معتمدة على تفاعلاتها، حيث يتيح هذا الاستراتيجية الشرطية لنموذج ULTRA المُدرّب مسبقًا التعميم الاستقرائي على أي رسم معرفي غير مرئى بقائمة علاقات عشوائية، كما يمكن تحسينه (fine-tune) على أي رسم معرفي. ومن خلال إجراء تجارب التنبؤ بالروابط على 57 رسمًا معرفيًا مختلفًا، وجدنا أن أداء الاستنتاج الاستقرائي من الصفر (zero-shot inductive inference) لنموذج ULTRA المُدرّب مسبقًا واحد فقط على رسوم معرفية غير مرئية بمقاييس مختلفة يكون غالبًا مماثلًا أو أفضل من النماذج القوية التي تم تدريبها على رسوم معرفية محددة، كما أن التحسين اللاحق (fine-tuning) يعزز الأداء بشكل أكبر.