대규모 언어 모델(Large Language Models, LLMs)은 강력한 구성적 추론(Compositional Reasoning) 능력을 제공하지만, 기존의 추론 세그멘테이션(Reasoning Segmentation) 파이프라인은 이러한 추론을 시각적 인지(Visual Perception)와 투명하게 연결하는 데 실패하고 있습니다. 잠재 쿼리 정렬(Latent Query Alignment)과 같은 현재의 방법들은 엔드투엔드(End-to-end) 방식이지만 불투명한 "블랙박스(Black boxes)"입니다. 반대로, 텍스트 기반 로컬라이제이션 리드아웃(Textual Localization Readout)은 단순히 읽을 수 있을 뿐 진정으로 해석 가능한 것은 아니며, 종종 제약 없는 사후 처리(Post-hoc) 단계로 기능합니다. 이러한 해석 가능성의 간극을 메우기 위해, 우리는 Sparse Autoencoder (SAE)를 활용하여 명시적이고 해석 가능하며 미분 가능한 정렬 경로를 구축하는 엔드투엔드 모델인 SegCompass를 제안합니다. 이미지-지시문 쌍이 주어지면, SegCompass는 먼저 사고의 사슬 (Chain-of-Thought, CoT) 추적을 생성합니다. 우리 방법의 핵심은 CoT와 시각적 토큰(Visual Tokens)을 모두 공유된 고차원 희소 개념 공간(Sparse Concept Space)으로 매핑하는 SAE입니다. 쿼리 코드북(Query Codebook)이 이 공간에서 두드러진 개념들을 선택하면, 슬롯 매퍼(Slot Mapper)가 이를 공간적으로 접지(Grounded)하여 최종 마스크 디코더(Mask Decoder)를 안내하는 멀티 슬롯 히트맵(Multi-slot Heatmap)으로 변환합니다. 전체 모델은 추론 경로를 위한 강화학습 (Reinforcement Learning, RL)과 표준 세그멘테이션 감독(Segmentation Supervision)을 통합하여 공동으로 학습됩니다. 이 SAE 기반 인터페이스는 잠재 쿼리보다 훨씬 더 추적 가능하고 텍스트 리드아웃보다 더 일관된 "화이트박스(White-box)" 연결을 제공합니다. 다섯 가지 도전적인 벤치마크에 대한 광범위한 실험을 통해 SegCompass가 최첨단(State-of-the-art) 성능에 필적하거나 이를 능가함을 입증했습니다. 결정적으로, 우리의 시각적 및 정량적 분석은 학습된 희소 개념의 품질과 최종 마스크 정확도 사이에 강력한 상관관계가 있음을 보여주며, 이는 SegCompass가 향상되고 검사 가능한 정렬을 통해 우수한 결과를 달성함을 확인시켜 줍니다. 코드는 https://github.com/ZhenyuLU-Heliodore/SegCompass 에서 확인할 수 있습니다.