قد تكون النماذج التوليدية بطيئة بسبب طريقة تدريبنا لها. عندما يكون هناك العديد من المخرجات الصالحة، فإن تدريب نموذج إعادة البناء للتنبؤ بمخرج واحد في خطوة واحدة يمكن أن يجذب مخرجاته نحو متوسط تلك الاحتمالات. تجنب نماذج التشتت والنماذج التوليدية التلقائية هذا من خلال تقسيم التوليد إلى خطوات أصغر يجب تكرارها أثناء الاستدلال. يُنشئ أبسط إصدار من النمذجة الاستكشافية عدة مخرجات محتملة لكل مثال تدريبي، ويتعلم من المخرج الذي يتطابق أفضل مع الهدف. وهذا يسمح للنموذج باستيعاب المخرجات الصالحة المختلفة بدلاً من متوسطها معًا. عند إضافتها إلى أساس قوي لتوليد الصور، وصل الاستكشاف إلى أداء الأساس النهائي بعد معالجة 6.2 ضعف عدد عينات التدريب الأقل واستخدام 4.1 ضعف عدد عمليات FLOPs الأقل. كما حسّن النماذج اللغوية للفيديو والتشتت الم масك. في تجارب التوسع المنفصلة، زادت المكاسب مع زيادة حجم النموذج وحجم بيانات التدريب. وتطابقت النماذج الاستكشافية الكاملة المتكاملة تمامًا مع أسس التشتت في مهام التحكم مع استخدام ما يصل إلى 256 ضعف عدد تقييمات الشبكة الأقل أثناء الاستدلال. قد يساعد الاستكشاف النماذج على حل مزيد من عدم اليقين أثناء التدريب، بحيث تحتاج إلى خطوات أقل لتوليد مخرج.