جینریٹو ماڈلز کی تربیت کے طریقہ کار کی وجہ سے سست ہو سکتے ہیں۔ جب کئی آؤٹ پٹس درست ہوں، تو ایک ریکنسٹرکٹو ماڈل کو ایک مرحلے میں صرف ایک کا پیش گوئی کرنے کے لیے تربیت دینا اس کے آؤٹ پٹ کو ان ممکنہ نتائج کے اوسط کی طرف کھینچ دیتا ہے۔ ڈفیوژن اور آٹو ریگریسیو ماڈلز جنریشن کو چھوٹے چھوٹے مرحلوں میں تقسیم کرکے اس سے بچ جاتے ہیں، جنہیں انفرینس کے دوران دہرایا جانا ضروری ہوتا ہے۔ ایکسپلوریٹو ماڈلنگ کا سادہ ترین ورژن ہر تربیتی مثال کے لیے کئی ممکنہ آؤٹ پٹس تیار کرتا ہے اور اس آؤٹ پٹ سے سیکھتا ہے جو ٹارگٹ کے سب سے زیادہ مطابقت رکھتا ہے۔ اس سے ماڈل مختلف درست آؤٹ پٹس کو اپنا لیتا ہے، نہ کہ انہیں اوسط کے طور پر ملا دیتا ہے۔ ایک مضبوط تصویر جنریشن بیس لائن میں شامل کرنے پر، اس تلاش نے صرف 6.2x کم تربیتی نمونوں اور 4.1x کم FLOPs کے استعمال کے ساتھ بیس لائن کا حتمی اداء حاصل کر لیا۔ اس نے ویڈیو اور ماسکڈ-ڈفیوژن زبانی ماڈلز میں بھی بہتری لائی۔ الگ الگ اسکیلنگ تجربات میں، جب ماڈل کا سائز اور تربیتی ڈیٹا بڑھا، تو فائدے بھی بڑھے۔ مکمل طور پر انڈ-ٹو-انڈ ایکسپلوریٹو ماڈلز نے انفرینس پر تقریباً 256x کم نیٹ ورک ایوالوئیشنز کے استعمال کے ساتھ کنٹرول ٹاسکس پر ڈفیوژن بیس لائنز کے برابر اداء دکھایا۔ تلاش ماڈلز کو تربیت کے دوران زیادہ عدم یقین حل کرنے میں مدد دے سکتی ہے، جس سے انہیں آؤٹ پٹ جنریٹ کرنے کے لیے کم مرحلوں کی ضرورت پڑتی ہے۔