Üretimsel modeller, eğitim yöntemlerimizden dolayı yavaş olabilir. Çok sayıda çıktı geçerli olduğunda, tekrarlayıcı bir modeli tek adımda bir çıktıyı tahmin etmeye eğitmek, çıktısını bu olasılıkların ortalamasına doğru çeker. Difüzyon ve otoregresif modeller, üretimi çıkarım sırasında tekrarlanması gereken daha küçük adımlara bölerek bunu önler. Açıklayıcı Modellemenin en basit versiyonu, her eğitim örneği için birkaç olası çıktı üretir ve hedefe en iyi uyum sağlayan çıktıyı öğrenir. Bu, modelin çıktıları bir araya ortalamak yerine farklı geçerli çıktıları yakalamasını sağlar. Güçlü bir görüntü üretimi temel modeline eklenen bu keşif, %6,2 daha az eğitim örneği ve %4,1 daha az FLOP kullanarak temel modelin son performansına ulaştı. Ayrıca video ve maskelenmiş difüzyon dil modellerini de geliştirdi. Başka ölçeklendirme deneylerinde, model boyutu ve eğitim verisi arttıkça kazanımlar da arttı. Tamamen uçtan uca Açıklayıcı Modeller, çıkarım sırasında en fazla 256x daha az ağ değerlendirmesi kullanarak difüzyon temel modellerine eşit performans sağladı. Keşif, modellerin eğitim sırasında daha fazla belirsizliği çözmelerine yardımcı olabilir, böylece bir çıktı üretmek için daha az adıma ihtiyaç duyarlar.