扩散模型在图像生成任务中的核心机制，是让网络学会从一个纯噪声或者带噪图像中估计出需要去除的噪声。对于文生图场景，光有无条件去噪还不够，必须把文本语义作为条件注入去噪过程。Classifier-Free Guidance正是解决这一条件引导问题的常用方法。它的思路很直接：同一个去噪模型，训练时按照一定概率把文本条件置空，让它同时具备条件预测和无条件预测的能力。推理阶段，把条件预测结果与无条件预测结果的差值当作指向文本语义的方向，再用一个标量系数放大或缩小这个方向。这个标量系数就是CFG参数，也叫CFG Scale。
无分类器引导为什么能替代分类器
在早期的条件扩散模型里，比较常见的做法是训练一个额外的图像分类器，在采样时通过分类器对生成图像计算类别梯度，再利用梯度引导去噪过程。这种方法最大的问题是要单独维护一个分类器，并且在噪声很大的中间步骤上，分类器给出的梯度不一定可靠。无分类器引导换了一种思路：不依赖外部模型，而是让扩散模型自己同时学会有条件和无条件两种去噪路径。
实现上并不复杂。训练时，每一批数据里有一定概率把文本条件替换成空文本，比如把提示词编码成空字符串对应的嵌入向量。这个概率通常在10%到20%之间。模型于是既看到了带文本条件的样本，也看到了无条件样本。推理时，对同一个带噪潜在向量分别传入真实文本嵌入和空文本嵌入，得到两个噪声预测：一个是条件预测，一个是无条件预测。无分类器引导的更新公式可以写成 guided_noise = uncond_noise + cfg_scale * (cond_noise - uncond_noise)。
当 cfg_scale 等于1时，公式退化为普通条件生成，因为外推项消失，只剩下条件预测。当 cfg_scale 大于1时，条件方向被放大，模型会更激进地靠近文本描述。这种放大可以理解为把条件分布从无条件分布中推出去，进一步强调文本特征。由于整个过程不需要分类器，所以叫无分类器引导。
CFG参数如何左右生成结果
CFG参数的变化对画面影响非常直观。把CFG从1逐渐调高，最明显的变化是图像会变得更锐利、对比度更高、色彩更浓郁，同时文本提示中的物体、颜色、构图约束会被执行得更彻底。例如提示词中写明红色帽子，低CFG时可能帽子颜色偏灰或者被忽略，高CFG时红色会非常醒目。
但这种提升不会一直持续。当CFG高过某个临界值，画面会开始出现过饱和、高光溢出、边缘发硬甚至结构崩坏。原因是噪声预测外推过度，偏离了模型训练时见过的分布范围。不同模型和采样器对这个临界值的敏感度不一样，一般来说SD1.5、SDXL等模型在7到12之间比较稳定，超过15就容易出问题。
反过来，CFG很低时，模型更偏向无条件生成。无条件输出的多样性更强，构图更自由，但很可能不按提示词来。比如要求一只猫坐在沙发上，低CFG生成的图里可能是猫的轮廓模糊，或者沙发完全消失。w等于0时就是完全忽略文本条件，生成结果等同于随机采样。因此CFG参数本质上是语义一致性和生成多样性之间的调节旋钮。
下面列出几个典型取值区间供参考：
- w=0：完全忽略文本条件，图像与提示无关。
- w=1至3：文本约束弱，画面自由度高，可能偏离描述。
- w=5至10：多数扩散模型的推荐区间，质量与语义较平衡。
- w=12以上：过饱和、伪影风险增加，适合特定风格化测试。
代码实现：在采样循环中应用CFG
在实际的Stable Diffusion推理代码里，CFG并不是一个复杂函数，而是每一步去噪时对噪声预测做一次线性外推。假设已经拿到了文本条件嵌入和空文本嵌入，下面是分开前向传播的实现方式：
def apply_classifier_free_guidance(model, latents, timestep, cond_embeddings, uncond_embeddings, cfg_scale):
# 分别预测条件噪声和无条件噪声
noise_pred_cond = model(latents, timestep, cond_embeddings)
noise_pred_uncond = model(latents, timestep, uncond_embeddings)
# 核心公式：把条件方向从无条件方向中外推
guided_noise = noise_pred_uncond + cfg_scale * (noise_pred_cond - noise_pred_uncond)
return guided_noise
这段代码的关键在于guided_noise的计算。它不是简单地对两个噪声取平均，而是以无条件噪声为基准，沿着条件噪声与无条件噪声的差值方向移动。移动距离由cfg_scale控制。如果cfg_scale为0，返回的就是无条件噪声；如果为1，返回条件噪声；如果大于1，就得到了比普通条件更强的引导信号。
为了节省显存，很多推理框架会把条件嵌入和无条件嵌入在batch维度拼接后一次前向传播。比如把潜在向量复制两份，把条件嵌入和无条件嵌入上下拼接，送入模型后得到两个输出，再拆分。两种写法数值上等价，只是工程上的显存优化。采样器拿到guided_noise后，再根据DDIM、DPM++等对应算法更新潜在向量。
不同采样器对CFG的承受能力并不完全一样。例如DPM++在高CFG下有时比DDIM更容易出现彩色噪点，Euler ancestral在中等CFG下细节丰富但可能引入随机性。因此不能只记住一个固定值，而是要结合采样器一起调整。
调参经验与常见误区
调整CFG参数时，比较可靠的做法是固定随机种子、固定提示词和采样步数，只改变CFG做一组对比。通常建议从5或7开始，然后测试3、10、15。把图像放在一起观察：哪些提示词元素丢失了，哪些地方开始出现伪影和过饱和。对于写实类模型，CFG在6到9之间往往比较安全；对于微调模型或DreamBooth训练的人物模型，CFG可能要降到3到6，否则容易出现过拟合特征和塑料感。
一个常见误区是觉得CFG越高，生成质量就越好。实际上高CFG虽然会强化语义，却会牺牲自然度。另一个误区是忽略negative prompt与CFG的联动。负面提示词通常被编码后当作无条件分支的参考，相当于在uncond_embeddings的位置放入了负面文本。CFG放大的是条件预测与这个负面预测之间的差值，所以负面提示词写得越明确，高CFG下排除效果越明显，但也更容易让画面走向极端。
在采样步数较少时，CFG的影响会更加剧烈。因为步数减少后，每一步的更新幅度相对更大，如果再乘以一个很大的CFG系数，噪声预测很容易过冲。此时可以适当降低CFG，或者使用动态CFG策略：采样早期使用较高CFG快速确定结构，后期降低CFG以恢复细节。像LCM、Turbo这类蒸馏模型则比较特殊，它们通常已经把条件引导信息融合进了权重，推理时CFG往往固定为1，甚至不需要单独走无条件分支。
理解无分类器引导和CFG参数的关系，本质上是理解条件分布与无条件分布之间的外推强度。把这个关系摸清楚，调整提示词、负面提示词、采样步数和采样器时，就能更准确地预判画面变化，而不是盲目滑来滑去。
