Pour que les agents autonomes puissent opérer avec succès dans le monde réel, l'anticipation des événements futurs et des états de leur environnement est une compétence essentielle. Ce problème a été formalisé comme un problème d'extrapolation de séquence, où un certain nombre d'observations sont utilisées pour prédire la séquence à venir. Les scénarios du monde réel exigent un modèle d'incertitude pour ces prédictions, car elles deviennent de plus en plus incertaines — en particulier sur des horizons temporels longs. Bien que des résultats impressionnants aient été obtenus pour les estimations ponctuelles, les scénarios qui induisent des distributions multimodales sur les séquences futures restent difficiles à traiter. Notre travail aborde ces défis dans un modèle de variable latente gaussienne pour la prédiction de séquences. Notre contribution principale est un objectif d'échantillonnage « Meilleur parmi plusieurs » (« Best of Many ») qui conduit à des prédictions plus précises et plus diversifiées, capturant mieux les vraies variations dans les données de séquences réelles. Outre notre analyse de l'amélioration de l'ajustement du modèle, nos modèles surpassent également empiriquement les travaux antérieurs sur trois tâches variées allant des scènes de circulation aux données météorologiques.