জেনারেটিভ মডেলগুলি আমরা যেভাবে এগুলিকে ট্রেন করি তার কারণে ধীর হতে পারে। যখন অনেকগুলি আউটপুট বৈধ হয়, তখন একটি পুনর্গঠনমূলক মডেলকে একটি ধাপে একটি আউটপুট পূর্বানুমান করতে শেখানো হয়, যা এর আউটপুটকে সেই সম্ভাব্যতাগুলির গড়ের দিকে টানে। ডিফিউশন এবং অটোরিগ্রেসিভ মডেলগুলি উত্পাদনকে ছোট ছোট ধাপে ভাগ করে এই সমস্যা এড়ায়, যা উপসংহারের সময় পুনরাবৃত্তি করতে হয়। এক্সপ্লোরেটিভ মডেলিং-এর সরলতম সংস্করণটি প্রতিটি ট্রেনিং উদাহরণের জন্য কয়েকটি সম্ভাব্য আউটপুট তৈরি করে এবং লক্ষ্যের সাথে সবচেয়ে ভালোভাবে মিলে যাওয়াটির থেকে শেখে। এটি মডেলকে তাদেরকে একসাথে গড়ের মধ্যে আনার পরিবর্তে বিভিন্ন বৈধ আউটপুটগুলির সংগ্রহ করতে সক্ষম করে। একটি শক্তিশালী ইমেজ-জেনারেশন বেসলাইনের সাথে এক্সপ্লোরেশনকে যোগ করলে, 6.2x কম ট্রেনিং নমুনা প্রক্রিয়াকরণ এবং 4.1x কম FLOPs-এর মাধ্যমেই বেসলাইনটিরচূড়ান্ত পারফরম্যান্সটি達到了। এটি ভিডিও এবং মাস্কড-ডিফিউশন ল্যাঙ্গুয়েজ মডেলগুলিকেওউন্নতিরজন্য।আলাদা scaling experiments-এ,মডেলেরআকারএবংট্রেনিংডাটাবৃদ্ধিরসঙ্গেসঙ্গেলাভগুলিওবৃদ্ধিপায়। সম্পূর্ণ end-to-end Explorative Models control tasks-এ diffusion baselines-এরসঙ্গেমিলখায়,যখনinference-এ256xকমনেটওয়ার্কইভালুয়েশনব্যবহারকরে। এক্সপ্লোরেশনটি Training-এরসময়মডেলগুলিকেঅধিকঅনিশ্চয়তাসমাধানকরতেসাহায্যকরতপারে,যারফলেআউটপুটজেনারেটকরতঅপেক্ষাকৃতকমধাপপ্রয়োজনহয়।