Генеративні моделі можуть працювати повільно через те, як ми їх навчаємо. Коли багато вихідних значень є дійсними, навчання реконструктивної моделі передбачити одне з них за один крок може змусити її вихід наближатися до середнього значення цих можливостей. Моделі дифузії та авторегресивні моделі уникну цього, розбиваючи генерацію на менші кроки, які потрібно повторювати під час висновку. Найпростіша версія експлоративного моделювання генерує кілька можливих вихідних значень для кожного навчального прикладу та вчиться на тому, що найкраще відповідає цілі. Це дозволяє моделі вловлювати різні дійсні вихідні значення, а не усереднювати їх разом. Додання до потужної базової моделі генерації зображень дозволило досягти кінцевої продуктивності базової моделі, обробивши на 6,2 рази менше навчальних вибірок та використавши на 4,1 рази менше FLOPs. Це також покращило відео- та масковано-дифузійні мовні моделі. У окремих експериментах з масштабуванням виграші зростали разом із збільшенням розміру моделі та обсягу навчальних даних. Повністю енд-ту-енд експлоративні моделі досягли результатів, порівняних із базовими моделями дифузії, при цьому використовуючи до 256 разів менше оцінок мережі під час висновку. Експлорація може допомогти моделям розв’язувати більше невизначеності під час навчання, тому їм потрібно менше кроків для генерації вихідного значення.