Stable Diffusion中CFG有啥用？

在玩转Stable Diffusion这类AI绘画工具时，你肯定对一个叫**Classifier-Free Guidance (CFG) Scale**（无分类器引导尺度）的滑杆不陌生。它几乎存在于所有相关的图像生成界面中，专门用来控制AI对你所写提示词的“听话”程度。调高调低，出来的画面可能天差地别。今天，我们就来彻底搞懂这个关键参数背后的原理和用法。

1. CFG到底起什么作用？

光说理论太抽象，我们直接用一组实验来看效果。使用下面这段详细的提示词：

breathtaking, cans, geometric patterns, dynamic pose, Eclectic, colorful, and outfit, full body portrait, portrait, close up of a Nerdy Cleopatra, she is embarrassed, surreal, Bokeh, Proud, Bardcore, Lens Flare, painting, pa vel, sokov
（令人叹为观止、罐头、几何图案、动感姿态、折衷风格、多彩、服装、全身肖像、肖像画、书呆子气质的克利奥帕特拉特写、感到尴尬、超现实、焦外成像效果、自豪、民谣复兴风、镜头光晕、绘画风格）

然后，我们只改变CFG值，看看会发生什么。

结果一目了然：

• CFG值极低时（比如设为1）
  ：AI几乎把提示词当成了“耳边风”，生成的内容非常随机，与文本描述关联甚微。

• CFG值适中提高到3时
  ：提示词中描述的风格和元素开始清晰地显现出来。

• CFG值达到7或更高时
  ：图像内容会高度遵循提示词，但继续提高会导致色彩过度饱和，画面变得刺眼。因此，一个广泛使用的经验区间是

  7到10
  。这个范围通常能在“听话”和“画面自然”之间取得不错的平衡。

2. “CFG=7-10”并非金科玉律

值得注意的是，上面提到的7-10这个“舒适区”主要针对标准扩散模型。当你使用一些为了速度而优化的模型时，规则就变了。

例如，在使用

或这类快速采样模型时，所需的CFG值要低得多，通常设置在之间就能获得很好效果。如果硬套用高CFG，反而可能导致图像质量下降。所以，记住：。

3. 什么是“无分类器引导”？

要理解“无分类器引导”（Classifier-Free Guidance），我们得先看看它要解决的问题，以及它的前身——

（Classifier Guidance）。

4. 分类器引导：给扩散过程一个“方向”

简单来说，分类器引导是一种技术，它通过给扩散模型输入一个图像标签（比如“猫”），来引导整个生成过程朝着这个标签的方向进行。

那么，这个“引导”的力度如何控制呢？这就引入了

这个参数。我们可以打个比方：

假设模型学过的数据包含“猫”、“狗”、“人”三类图片。如果没有任何引导（尺度为0），模型就会从所有数据中随机采样，可能生成一个模糊的、介于类别之间的东西，比如“一个男孩在摸狗”。

当你施加引导并调高尺度值：

• 引导尺度较小时
  ：生成结果会略微偏向“猫”，但可能还掺杂其他特征。

• 引导尺度很大时
  ：模型会生成一个非常明确、典型的“猫”，排除其他任何可能的解释。

技术上，这个尺度值相当于一个乘数，放大了模型朝着特定标签数据分布的“偏移力”。

5. 无分类器引导：化繁为简的进化

分类器引导效果拔群，但它有个麻烦：需要额外训练一个分类器模型来提供引导，增加了训练的复杂度和成本。

于是，“无分类器引导”被提出来了。正如其名，它

。研究者想到了一个巧妙的办法：他们直接用图像对应的文字描述（也就是我们写的提示词）作为条件，来训练扩散模型本身。

具体操作是，在训练时，模型的噪声预测网络（U-Net）同时接收带噪声的图片和文本条件。而实现“引导”的秘诀在于，他们让同一个模型也学会在

（即空白提示）时该如何预测噪声。这样，在生成时，通过对比“有条件预测”和“无条件预测”的差异，并利用一个尺度因子（就是CFG值）来放大这种差异，就实现了强有力的引导。这也就是我们现在文生图（Text-to-Image）功能的核心基础。

6. 无分类器引导尺度：掌控提示词权重的旋钮

现在，我们有了这个以提示词为条件的生成过程，该如何控制AI到底该多“听”提示词的话呢？

答案就是

。我们回到“猫、狗、人”的例子，如果你输入的提示词是“一只猫”：

• 如果CFG值设为0或很低
  ：提示词基本被忽略，生成猫、狗、人的概率差不多。

• 如果CFG值设为适中的7-10
  ：提示词被严格遵循，你几乎总能得到一只猫。

• 如果你把CFG值调得极高
  ：你会得到一张特征极其鲜明、毫无歧义的“标准猫”照片，但同时多样性会丧失，色彩可能失真。

7. 无分类器引导是如何训练的？

从原理上讲，要实现引导，我们需要模型既会“有条件地”预测噪声（根据文本），也会“无条件地”预测噪声（不根据文本）。难道要训练两个模型吗？

实际上有个更聪明的做法：

。在训练过程中，随机将一部分样本的文本条件替换成空白标记（空字符串）。这样，这个“单簧管”模型就同时学会了两种技能：在有提示时如何工作，以及在没提示时如何工作。生成时的引导效果，就来自于这两种工作模式的差值。

8. 最佳CFG值存在吗？

了解了这么多，最实际的问题来了：有没有一个放之四海而皆准的“最佳”CFG值？

答案是：

（比如之前提到的7-10），而具体多少，取决于你的需求。

CFG值本质上是在

和之间做权衡：

• CFG值越高
  ：图像越贴合你的提示词，但多样性降低，风格和构图容易僵化，且易出现饱和、伪影。

• CFG值越低
  ：AI发挥空间更大，图像更丰富、更自然，但也更容易“跑题”。

所以，下次再调节CFG时，不妨把它看作一个创意旋钮。想要精准实现脑洞，就往高了调；想要收获一些意外之喜，不妨降低一点，给AI多一点自由。