जनरेटिव मॉडल धीमे हो सकते हैं क्योंकि हम उन्हें कैसे ट्रेन करते हैं। जब कई आउटपुट मान्य होते हैं, तो एक पुनर्निर्माण मॉडल को एकल चरण में एक का अनुमान लगाने के लिए ट्रेन करने से इसका आउटपुट उन संभावनाओं के औसत की ओर खींच लिया जाता है। डिफ्यूजन और ऑटोरिग्रेसिव मॉडल इससे बचते हैं क्योंकि वे उत्पादन को छोटे-छोटे चरणों में तोड़ देते हैं जिन्हें निष्पादन के दौरान दोहराया जाना आवश्यक है। एक्सप्लोरेटिव मॉडलिंग का सबसे सरल संस्करण प्रत्येक प्रशिक्षण उदाहरण के लिए कई संभावित आउटपुट उत्पन्न करता है और उस आउटपुट से सीखता है जो लक्ष्य के सबसे अधिक मेल खाता है। इससे मॉडल को विभिन्न मान्य आउटपुट को पकड़ने में सक्षम होना संभव होता है, बजाय उन्हें एक साथ औसत करने के। एक मजबूत इमेज-जनरेशन बेसलाइन में जोड़ने पर, एक्सप्लोरेशन ने 6.2x कम प्रशिक्षण नमूनों को प्रोसेस करके और 4.1x कम FLOPs का उपयोग करके बेसलाइन का अंतिम प्रदर्शन प्राप्त किया। इसने वीडियो और मास्क्ड-डिफ्यूजन भाषा मॉडल्स में सुधार भी किया। अलग-अलग स्केलिंग प्रयोगों में, मॉडल के आकार और प्रशिक्षण डेटा के बढ़ने के साथ लाभ बढ़ते गए। पूरी तरह से एंड-टू-एंड एक्सप्लोरेटिव मॉडल्स निष्पादन पर 256x कम नेटवर्क मूल्यांकन का उपयोग करते हुए कंट्रोल कार्यों पर डिफ्यूजन बेसलाइन्स के समान प्रदर्शन प्राप्त करते हैं। एक्सप्लोरेशन मॉडल्स को प्रशिक्षण के दौरान अधिक अनिश्चितता को हल करने में मदद कर सकता है, ताकि वे आउटपुट उत्पन्न करने के लिए कमचरणों कीआवश्यकता हो।