این مدل بر پایه قابلیت‌های بصری و استدلالی Gemini 2.5 Pro ساخته شده و به عوامل هوش مصنوعی (AI agents) اجازه می‌دهد تا مستقیماً با رابط‌های کاربری گرافیکی (UI) تعامل کنند، درست مانند یک انسان که کلیک می‌کند، تایپ می‌کند یا اسکرول می‌کند.