谷歌在一篇博客文章中表示，当 Genie 4 渲染一个场景时，Gemini 会监视传入的帧，解读用户的意图并将其分解为一系列步骤，然后检查每个步骤是否已发生。
其团队曾使用 Argon 进行实验，但实时体验目前运行在其更轻量级的主力模型 Gemini 3.8 Flash 上。