في عالم يتطور بسرعة في مجالات الذكاء الاصطناعي، نجد أن تقدم التقنيات قد حول تركيز الرؤية البصرية من مجرد التعرف على الكائنات إلى فهم المفاهيم المعقدة. ومع ذلك، فإن مفهوم "المفهوم" نفسه يبقى غير محدد بالشكل الكافي، مما يسمح بالتحفظ في معرفة ما إذا كانت الطرق الحالية تعمم فعلاً ما يتجاوز تعرف الفئات.

في هذه الدراسة، نقوم بإضفاء الطابع الرسمي على تقسيم المفاهيم العامة من خلال تصنيف يتكون من ثلاثة مستويات:
- **المفاهيم المستقلة عن السياق (Context-Independent Concepts)**
- **المفاهيم المعتمدة على السياق (Context-Dependent Concepts)**
- **المفاهيم التي تتطلب الاستدلال (Context-Reasoning Concepts)**

هذا التصنيف يكشف عن فجوة واضحة في القدرة عبر مستويات متزايدة من التعقيد المعرفي. لمواجهة هذا التحدي، نقدم **ConceptSeg-R1**، وهو إطار موحد يُعدِّل تقسيم المفاهيم ليصبح ملزماً بقوانين مستندة إلى قواعد.

في قلب هذه الطريقة يوجد **Meta-GRPO**، وهو آلية تعلم معزز (Meta-Reinforcement Learning) تتعلم القواعد القابلة للنقل من العروض المرئية وتتحقق منها عبر الاستدلال الوكيل (Proxy Reasoning). تُترجم حالات الاستدلال المستخلصة إلى دعوات مفاهيم جاهزة للتقسيم عبر وحدة خفيفة لترجمة المفاهيم، مما يتيح التطبيق الاستدلالي على الصور المستهدفة.

بالإضافة إلى ذلك، تحافظ استراتيجية توجيه مختصرة على كفاءة النماذج المستندة إلى التقسيم حتى في الحالات البسيطة. لتقييم تقسيم المفاهيم العامة بشكل منظّم، أجرينا تجارب واسعة عبر معايير متنوعة تشمل CI، CD، وCR، تمتد عبر المجالات الطبيعية والصناعية والطبية.

بدون أي تعقيدات، حقق ConceptSeg-R1 أداءً قويًا عبر التسلسل الهرمي الكامل للمفاهيم مع الحفاظ على القدرة الأصلية لنماذج التقسيم القابلة للتوجيه. كخطوة أولى نحو تقسيم أي مفهوم، نأمل أن يخدم ConceptSeg-R1 كأساس عملي لتحسين التقسيم من التنبؤ بمستوى الكائنات إلى الفهم بمستوى المفاهيم.