Google AI研究团队通过递归神经网络（RNN），将Gboard手写输入识别模型的错误率降低了20%～40%，Google也为所有以拉丁字母书写的语言，推出新版的识别模型，并发布相关的研究论文，详细解释该版本模型背后的技术。
过去，Google采用的识别方法是将手写输入切割成单个字符，再针对字符进行解码，Google解释，对每个手写识别系统而言，接触点是开端，系统将一串行的点视为笔画，而手写输入就是用笔画串行来表示，且每个点都会附有时间戳，由于Gboard被用于多种不同的设备，也意味着有着不同的屏幕分辨率，因此，Google的第一步即是要将接触点座标范式，接着，为了正确地截取手写输入的形状，Google将接触点组成的串行，转换三次贝兹曲线（cubic Bézier curves）串行，再将其串行作为递归神经网络的输入数据。
Google表示，虽然用贝兹曲线作为手写识别的数据已经实行有些年头，但是将其当作AI模型的输入数据却是非常新颖的，如此一来，也能够在不同样本数量和正确率的多种设备中，提供一致的输入数据，有别于过去切割和解码的识别方法，Google现在则是创建多个如何将笔画分解字符的不同假设，接着从这些分解后的串行中，找出最适合的字符串行。
这个新方法的另外一个优点是，贝兹曲线的串行比接触点串行来得小，使模型更容易取得输入数据的时间依赖性，也就是每条曲线都是由起始点、终点，以及两个额外的控制点所定义的多项式来表示，通过迭代的方式将输入座标和曲线之间的平方距离最小化，来找出准确表示手写输入的三次贝兹曲线串行。
找出手写输入的三次贝兹曲线串行之后，还需要将曲线串行转译为真实写作字符，为此，Google利用多层递归神经网络来处理曲线串行，并针对每个曲线搜索所有可能字符的机率分布，再将该机率分布输出成矩阵。
在研究的过程中，Google尝试过多种不同种类的递归神经网络，最后选择双向版本的准递归神经网络（quasi-recurrent neural networks），准递归神经网络能够在卷积层和递归层之间交替，提供有效的预测能力，同时也能够维持相对较少的权重数量，权重数量会直接影响模型的大小，模型越小性能就越好。
此外，为了提供最佳的用户体验，模型不但要准确也要快速，因此，Google将在TensorFlow训练好的模型转换成移动设备版的TensorFlow Lite模型，在模型训练的过程中量化所有权重，同时，TensorFlow Lite针对二进制进行优化的特型，能够减少APK的大小。