SteerSeg：用于推理视频分割的注意力引导

视频推理分割需从自然语言中定位对象，常涉及空间推理与隐式引用。现有方法利用冻结的大视觉语言模型（LVLM）提取注意力图作为空间先验，但这些图优化于文本生成而非空间定位，导致信号模糊。本文提出 SteerSeg，一种轻量级框架，通过输入级条件引导注意力源。结合可学习软提示与推理导向的思维链（CoT）提示，重塑注意力分布以生成更集中的空间地图，并利用 CoT 衍生的属性消除相似对象间的歧义。该方法仅学习少量软提示，显著提升了 LVLM 的空间接地能力。