Model generatif mungkin perlahan disebabkan cara kita melatihnya. Apabila banyak output yang sah, melatih model rekonstruktif untuk meramal satu output dalam satu langkah boleh menarik outputnya ke arah purata peluang-peluang tersebut. Model difusi dan autoregresif mengelakkan ini dengan memecahkan proses penghasilan kepada langkah-langkah kecil yang perlu diulang semasa inferens. Versi paling mudah bagi Pemodelan Eksploratif menghasilkan beberapa output yang mungkin bagi setiap contoh latihan dan belajar daripada output yang paling sepadan dengan sasaran. Ini membolehkan model menangkap pelbagai output yang sah, bukan menggabungkannya menjadi purata. Apabila ditambahkan kepada asas penghasilan imej yang kuat, eksplorasi mencapai prestasi akhir asas selepas memproses 6.2x lebih sedikit sampel latihan dan menggunakan 4.1x lebih sedikit FLOP. Ia juga meningkatkan model bahasa video dan masked-diffusion. Dalam eksperimen penskalaan berasingan, keuntungan meningkat seiring dengan pertambahan saiz model dan data latihan. Model Eksploratif sepenuhnya end-to-end mencapai tahap asas difusi pada tugas kawalan sambil menggunakan sehingga 256x lebih sedikit penilaian rangkaian semasa inferens. Eksplorasi mungkin membantu model menyelesaikan ketidakpastian yang lebih banyak semasa latihan, jadi ia memerlukan lebih sedikit langkah untuk menghasilkan output.