Guided Vision（引导式视觉）是一种让用户在提问之前，先在画面上圈出自己关心的那一小块区域，模型再针对这块区域作答的交互方式。一句话概括：把「整张图你看懂后告诉我」换成「我指哪儿，你答哪儿」。
这件事看起来只是多了个框选动作，实际改变的是注意力的分配权。过去把一整页合同、一张长截图丢给视觉语言模型（Vision-Language Model, VLM），模型要先自己判断「图里哪些地方重要」，再读、再答。图一长、字一小，它就容易看错行、漏掉脚注、把 A 列的数字算到 B 列去。Guided Vision 把「指位置」这一步交还给人——人做这件事几乎不花力气，而且极其可靠；模型则专心做它擅长的：读字、解释含义、回答问题。
打个比方：朋友陪你看一份密密麻麻的租房合同，你说「整份合同讲了啥」，他翻一遍只给你个概况；你用手指按住其中一行说「这句什么意思」，他才会逐字给你拆。框选就是那根手指。
它和相邻概念的区别很值得分清：
| 谁决定看哪里 | 输出是什么 | 典型短板 | |
|---|---|---|---|
| Guided Vision | 用户框选（Region of Interest, ROI） | 对该区域的解释与回答 | 框外信息（表头、单位、脚注）会丢 |
| 普通截图问答 | 模型自己判断 | 对整图的概括或回答 | 长图小字容易看错、答偏 |
| OCR（光学字符识别） | 不需要 | 纯文本 | 不解释、不理解版式、不回答「这对意味着什么」 |
注意第三行：OCR 只是把像素变成字，Guided Vision 是在字之上给判断。两者常配合，但目标不同。
具体场景里的正确用法：
长截图。 别一次性整张上传。按段落一屏一屏框，逐段推进，结论会更稳。
小字合同。 框住的区域尽量包含「条款正文＋紧邻的表头或标题」，然后问「这句话对乙方意味着什么」。只框一行、丢掉上下文，是最常见的翻车原因。
仪表盘与报表。 框住单个读数区问「这个值是否超出正常范围」很有效；但趋势判断、多指标关联这类问题依赖整体版式，框得太小反而答不准。
表格单元格。 顺着列框，比框单个格子更安全，因为列头就是天然的单位说明。
几条边界必须说清楚。第一，框选只限定范围，不提升像素——反光、倾斜、手写体、艺术字，圈得再准也读不出来，该重拍就重拍。第二，模型有时会「越界」回答，你只框了价格，它顺手把整张表都推断了，关键结论要追问一句「只根据框内内容回答」。第三，框选不等于脱敏，上传的往往仍是整张图，敏感信息请先裁掉。
对从业者的启发更朴素：想提高准确率，不一定非得换更大的模型。先让用户动一下手指，把模型的自由发挥空间收窄，很多场景的体验就会明显变好。至于谷歌这项功能具体支持哪些入口、哪些文件类型，以官方页面为准。