Gemini Diffusion: een gids met 8 praktische voorbeelden

Dit maakt mogelijk:

• Snellere tekstgeneratie (tot 1479 tokens/sec)
• Meer samenhangende tekstblokken
• Betere workflows voor realtime bewerken

Je wacht dus niet meer woord voor woord, maar ziet meteen een volledig, verfijnd resultaat. Dit maakt Gemini Diffusion een van de snelste modellen qua sampling-snelheid die Google heeft uitgebracht voor realtime generatietaken. Hier zijn een paar benchmarks waarop dit model uitblinkt in het leveren van zulke indrukwekkende resultaten.

Hoe krijg je toegang tot Gemini Diffusion?

Op het moment van schrijven is Gemini Diffusion beschikbaar als experimentele demo voor alleen uitgenodigde gebruikers. Het draait volledig in de browser en ondersteunt tekst-, code-, canvas- en audio-interacties (via ingebouwde MIDI-geluidsgeneratie).

Om te beginnen:

1. Ga naar het Gemini Diffusion-wachtlijstformulier
2. Log in met je Google-account
3. Wacht op goedkeuring van de toegang
4. Zodra je toegang hebt, kun je direct experimenteren binnen de DeepMind-interface.

Geen SDK’s of API’s nodig!

Laten we kijken wat Gemini Diffusion kan in meerdere domeinen, van gameontwikkeling en tekenen tot codebewerking en zelfs audio.

Voorbeeld 1: Tekstgeneratie

In de playground testte ik het vermogen van het model om longform content te genereren met de volgende prompt.

Prompt: Leg de waarde van geroosterd brood uit in de stijl van Hegel. Vertaal het essay daarna naar 10 andere talen.

Het model gaf in minder dan 9 seconden meer dan 7000 tokens terug, met duidelijke koppen, commentaar en tekst in 10 talen.

Let in de video hierboven op dat de genereersnelheid 892 tokens/s was. Ter vergelijking: Gemini 2.0 Flash-Lite genereert in de meeste realtime-scenario’s doorgaans rond de 250–400 tokens/sec.

Voorbeeld 2: Gameontwikkeling met realtime interacties

Voor fans van Rock Paper Scissors Lizard Spock testte ik het genereren van deze gamesimulatie met het Gemini Diffusion-model.

Prompt: Maak een HTML+JavaScript-webapp om Rock, Paper, Scissors, Lizard, Spock te spelen. Gebruik emoji’s voor elke optie (🪨📄✂️🦎🖖), maak de UI neon/gloeiend en futuristisch. Laat de speler er één aanklikken, en laat de computer willekeurig kiezen. Toon het resultaat met animatie en scorebijhouding. Voeg een knop ‘Restart Game’ toe. Maak de game responsief.

Dit leverde een volledig speelbare en interactieve game op, compleet met soepele toetsenbordbediening, ideaal voor het prototypen van gameloops of het aanleren van animatiebasis.

Voorbeeld 3: Simulatie in realtime

Het beste aan het Gemini Diffusion-model zijn de realtime simulaties. Ze laten prompts tot leven komen. Hier testte ik twee voorbeelden: stuiterende deeltjes en sinus- en cosinus-golflengtesimulaties.

Voorbeeld 3.1: Simulatie van een stuiterend deeltjessysteem

Prompt: Simuleer 100 deeltjes die in willekeurige richtingen bewegen binnen een doos met JavaScript.

Toen ik bovenstaande prompt toepaste, genereerde Gemini Diffusion een volledig functionerende simulatie van stuiterende deeltjes, inclusief DOM-updates en basisfysica. De animatie was vloeiend en responsief, en ik kon eenvoudig parameters zoals het aantal deeltjes, snelheid en kleur aanpassen.

Om nog een stap verder te gaan, vroeg ik het model om een schuifregelaar toe te voegen om de cirkelgroottes in realtime aan te passen, wat het vlekkeloos implementeerde. Toen ik echter vroeg om de cirkels te vervangen door vlindericonen, kon het de prompt niet uitvoeren zoals bedoeld.

Voorbeeld 3.2: Interactieve golfvormsimulatie

Voor mijn volgende voorbeeld probeerde ik een interactieve golfvormsimulatie te genereren:

Prompt: Bouw een interactieve golfvormsimulator die een sinusgolf visualiseert. Laat gebruikers de golflengte, amplitude en frequentie aanpassen met schuifregelaars. De visualisatie moet duidelijk laten zien hoe het veranderen van de golflengte de golf uitrekt of samendrukt. Voeg tooltips toe om elke parameter en de betekenis in de echte wereld uit te leggen.

Na het uitvoeren van de prompt genereerde Gemini een responsieve golfvormsimulator met schuifregelaars om golflengte (λ), amplitude (A) en frequentie (f) aan te passen, ideaal voor educatieve demo’s.

Aanvankelijk werden alleen sinusgolven ondersteund. Toen ik vroeg om ook cosinusgolven te ondersteunen, voegde Gemini snel een keuzelijst toe om tussen golftypen te wisselen, wat zijn vermogen toont om te itereren op UI-componenten. Maar toen ik vroeg om zowel sinus- als cosinusgolven samen te voegen tot één gecombineerde golfvorm, lukte dat het model niet.

Voorbeeld 4: Codegeneratie en -uitvoering

Als ML-professional wilde ik het vermogen van Gemini Diffusion testen om Python-gebaseerde machine learning-code te genereren en uit te voeren. Dus vroeg ik het om:

Prompt: Schrijf een eenvoudig neuraal netwerk met NumPy en voer het uit.

Gemini gaf een complete, goed gestructureerde implementatie van een feedforward neuraal netwerk met alleen NumPy, inclusief activatiefunctie, gewichtsinitialisatie, backpropagatie-logica en trainingslus. Het bevatte zelfs uitleg bij elke stap.

Om de runtime-mogelijkheden te testen, volgde ik met:

Prompt: Kun je dit voor me uitvoeren?

Gemini antwoordde dat het geen Python-code native kan uitvoeren, omdat er geen geïntegreerde runtime-omgeving is. Het simuleerde echter de verwachte output door het verlies bij verschillende trainingsintervallen te schatten, om te laten zien hoe een typische output eruit zou zien als je dit lokaal uitvoert, bijvoorbeeld in Jupyter Notebook.

Hoewel Gemini Diffusion nog geen code in de browser kan uitvoeren, is dit vermogen om outputgedrag te simuleren en verwachte resultaten te geven alsnog erg waardevol voor prototyping. Als er in de toekomst runtime-integratie bijkomt, kan de tool uitgroeien tot een volledig zelfstandige playground voor het leren en experimenteren met machine learning-modellen.

Voorbeeld 5: Realtime tekenapp

Vervolgens experimenteerde ik met iets speelsers, namelijk een interactieve tekenapp met penselen, kleuren en vormen. Ik begon met een basisprompt:

Prompt: Maak een tekenapp met meerdere penselen en kleuren.

Gemini reageerde met een canvas-gebaseerd schetsblok, inclusief een basis kleurenpalet, selecties voor penseelgrootte (klein, middel, groot) en een wis-knop.

Daarop bouwde ik voort door het model te vragen een “roze” kleuroptie aan het palet toe te voegen, wat het naadloos integreerde. Daarna vroeg ik om extra tekentools—rechthoek, vierkant en cirkel—en Gemini Diffusion leverde die als selecteerbare vormopties.

De uiteindelijke output voldeed aan al mijn prompts en werkte goed als creatief gereedschap. Het enige minpuntje was wat vertraging en minder vloeiendheid tijdens het tekenen, waarschijnlijk door de beperkingen van de previewmodus. Maar al met al was het indrukwekkend functioneel voor een realtime prototype in de browser.

Voorbeeld 6: Instant Edit met code

Naast de Playground biedt Gemini Diffusion een krachtige functie genaamd Instant Edit, waarmee je met minimale prompts realtime wijzigingen kunt aanbrengen in tekst of code.

Om het te testen gaf ik een Python-functie in het content-tekstvak:

def find_median(nums):
    if not nums:
        return None
    nums.sort()
    n = len(nums)
    mid = n // 2
    if n % 2 == 1:
        return nums[mid]
    else:
        return (nums[mid - 1] + nums[mid]) / 2

Prompt: Zet deze code om naar C++

Gemini vertaalde de functie succesvol naar nette C++-syntaxis. Vervolgens vroeg ik om twee extra functies toe te voegen: één voor het berekenen van het gemiddelde en één voor de modus. Die voegde het correct toe aan het codeblok.

Als laatste stap vroeg ik het model om testcases toe te voegen om alle drie de functies te valideren, wat het ook afrondde. Maar toen ik probeerde te prompten met “voer deze code uit”, reageerde Gemini niet, wat laat zien dat het wel uitblinkt in het genereren van code, maar dat uitvoering of simulatie van gecompileerde code in deze omgeving momenteel niet wordt ondersteund.

Voorbeeld 7: Instant Edit met tekst

Deze tool is ook geweldig voor het schrijven en bewerken van verhalen. Met Instant Edit gaf ik het model een eenregelig verhaal en vroeg ik het om dat uit te breiden. 

Content-tekstvak: Schrijf een verhaal over een blije boom genaamd Sprig die in Treewood woont en droomt om een beroemde filmster te worden.

Om het verhaal te verdiepen vroeg ik het model daarna om dramatische spanning toe te voegen door een afkeurende vaderfiguur te introduceren.

Prompt: Voeg drama toe aan dit verhaal door een vaderfiguur toe te voegen die ontevreden is over Sprigs carrièrekeuze.

Het model breidde het verhaal inline uit en vlocht naadloos een wijze maar strenge eiken vader in die Sprigs theatrale dromen afkeurde. De bewerkingen werden gemarkeerd met visuele toggles, zodat ik de originele en bijgewerkte content kon vergelijken.

Dit voorbeeld liet zien hoe Instant Edit incrementeel vertellen en gecontroleerde creatieve verfijning kan ondersteunen, terwijl de gebruiker de regie houdt.

Voorbeeld 8: Xylofoon met audio

Voor mijn laatste test vroeg ik Gemini Diffusion om een interactieve xylofoon-app te maken. Het model genereerde een kleurrijke, goed opgezette set toetsen met bijbehorende geluidskoppelingen, event listeners en hover-effecten, wat laat zien dat het interactieve audio-UI’s aankan.

Prompt: Genereer een xylofoon-app waarbij de gebruiker op de toetsen kan drukken en er geluiden worden gegenereerd. Elke noot houdt een redelijke tijd aan na het indrukken. Gebruik geen externe assets. Gebruik ingebouwde MIDI-geluidsgeneratie. Leg de toetsen neer zoals bij een echte xylofoon.

Opmerking: Hoewel Gemini Diffusion geen audio- of videogenereatie ondersteunt, kon het realistisch audiogedrag simuleren met MIDI-achtige toonsynthese in de browserpreview.

Dit benadrukt het vermogen van het model om functionele audio-interfaces te bouwen zonder externe assets of libraries.

Ik raad aan het geluid in de onderstaande video aan te zetten:

Waarom is Gemini Diffusion belangrijk?

Gemini Diffusion betekent een paradigmaverschuiving in hoe we met LLM’s omgaan. Dit is waarom het ertoe doet:

• Realtime generatie: Het is tot nu toe het snelste tekstmodel van Google.
• Slimmere bewerking: Het verfijnt en corrigeert output tijdens het genereren.
• Rijke interactiviteit: Het bouwt simulaties, games en geluidsapps in de browser.
• Benchmarkprestaties: Het heeft bovendien vergelijkbare prestaties op veel code-benchmarks, zoals HumanEval (89,6%) en MBPP (76%), terwijl het nog steeds aanzienlijk sneller is.

Ik vond Gemini Diffusion behoorlijk indrukwekkend, zowel qua snelheid van generatie, samenhang als de kwaliteit van de output. Of het nu ging om verhalen uitbreiden, fysica simuleren of interactieve tools bouwen, het model leverde consequent snelle en bruikbare resultaten met minimale prompting.

Natuurlijk zijn er nog verbeterpunten. Zo bewaart het momenteel geen chatgeschiedenis en mist het af en toe de plank bij meerstapswijzigingen. Ook presteert het mogelijk niet op alle taken zo goed als geoptimaliseerde autoregressieve modellen en is het beperkt tot 200 verzoeken per dag per gebruiker, maar de beta-fase stemt hoopvol.

Conclusie

Gemini Diffusion is een van de meest spannende tools die ik dit jaar heb verkend. Door een diffusiemethode voor tekst te gebruiken, heeft Google een model gebouwd dat sneller en interactiever is dan eerdere modellen van kleine tot middelgrote schaal, al is het nog niet zo generalistisch als Gemini 2.5 Pro.

In deze hands-on walkthrough liet ik zien hoe Gemini Diffusion je workflow kan versterken, of je nu UI-componenten prototype, educatieve demo’s maakt of snel iteraties doet op creatieve concepten.

Naarmate Gemini Diffusion zich ontwikkelt, verwacht ik diepere integraties met ontwikkeltools, creatieve codingomgevingen en browsergebaseerde IDE’s, waardoor het een veelzijdige partner wordt voor ontwerpers, engineers en docenten.

Wil je meer weten over de nieuwste tools die zijn aangekondigd op Google I/O 2025? Bekijk dan deze tutorials:

• Google Jules: een gids met 3 praktische voorbeelden
• Google's Veo 3: een gids met praktische voorbeelden
• Gemma 3n: een gids met demoproject (VLM Android-app)