Maaaring mabagal ang mga generatibong modelo dahil sa paraan kung paano sila tinuturuan. Kapag maraming output ang tama, ang pagtuturo ng isang reconstructive model na mag-predict ng isang output sa isang hakbang ay maaaring magdulot ng output na malapit sa average ng mga posibilidad na iyon. Ang diffusion at autoregressive models ay nag-iwas dito sa pamamagitan ng paghahati ng paggawa sa mas maliit na mga hakbang na kailangang paulit-ulitin sa inference. Ang pinakasimpleng bersyon ng Explorative Modeling ay nag-generate ng ilang posibleng output para sa bawat training example at natututo mula sa output na pinakamalapit sa target. Ito ay nagpapahintulot sa modelo na makakuha ng iba’t ibang tama mong output kesa sa pag-average nito. Idinagdag sa isang malakas na image-generation baseline, ang pag-explorasyon ay nakamit ang final na performance ng baseline pagkatapos ng pagproseso ng 6.2x mas kaunting training samples at paggamit ng 4.1x mas kaunting FLOPs. Nag-improve din ito sa mga video at masked-diffusion language models. Sa hiwalay na scaling experiments, lumaki ang mga benepisyo habang tumataas ang laki ng modelo at ang dami ng training data. Ang mga Fully end-to-end Explorative Models ay nakapag-match sa diffusion baselines sa control tasks habang gumagamit ng hanggang 256x mas kaunting network evaluations sa inference. Ang pag-explorasyon ay maaaring tumulong sa mga modelo na lutasin ang higit pang kawalan ng katiyakan habang tinututuhan sila, kaya kailangan sila ng mas kaunting hakbang upang mag-generate ng isang output.