无分类器引导 CFG 是什么？让生成结果更贴合提示词的关键技巧

无分类器引导（Classifier-Free Guidance，CFG）是扩散模型中让生成结果更贴合条件的采样技术，由谷歌的研究人员 Jonathan Ho 和 Tim Salimans 提出，最早在 2021 年的研讨会上发表，2022 年发布了论文。几乎所有主流的文生图、文生视频模型，比如 Stable Diffusion、DALL-E、Midjourney 背后的扩散模型，都在使用 CFG。用户在很多绘图工具里调节的“提示词相关性”“引导强度”参数，指的就是它。

它之前的做法：分类器引导

要让扩散模型生成“一只猫”，而不是随便什么图，此前有一种方法叫分类器引导：额外训练一个图像分类器，在每一步去噪时，用分类器的梯度把生成方向往“猫”这个类别推。这种方法有效，但需要单独训练一个能处理带噪声图像的分类器，既麻烦，效果也受分类器质量的限制。

CFG 怎么做

CFG 去掉了额外的分类器。训练时，同一个扩散模型同时学习两种生成：有条件生成，给它提示词，比如“一只猫”；无条件生成，在训练中随机把一部分样本的提示词丢掉，让模型学会在没有任何条件时也能生成。采样时，每一步都让模型分别做一次有条件和一次无条件的预测，然后用两者的差值来放大条件的作用：最终的预测等于无条件预测，加上引导强度乘以“有条件预测减无条件预测”。直观理解，就是看“加上提示词之后变化的方向”，再沿着这个方向多走几步。

引导强度的取舍

引导强度越大，生成的图像越贴合提示词、细节越清晰，但多样性会下降，强度太大还会导致颜色过饱和、画面失真。强度太小，生成结果又容易偏离提示词。实际使用中通常需要在两者之间找到平衡，常见的取值在 5 到 10 左右。CFG 的代价是每一步需要计算两次，推理成本翻倍，所以也有一些蒸馏方法把它“烘焙”进模型里，以节省推理时间。

这个思想后来也被推广到语言模型中，用来增强模型对提示的遵循，以及到音频、视频和机器人动作生成等领域。