分类器自由引导 CFG

引导（Guidance）是扩散模型在采样时提升生成结果与输入条件（文本、类别、图像）对齐程度的核心技巧。其中 Classifier-Free Guidance（CFG，分类器自由引导）几乎是当今所有文生图、文生视频模型的标配——从 Stable Diffusion、FLUX 到 Sora、HunyuanVideo，无一例外。本页梳理从 Classifier Guidance 到 Classifier-Free Guidance 的演进，2024-2026 年出现的 CFG++、Autoguidance、Guidance Distillation 等重要改进，以及 guidance scale 调参的实践经验。前置阅读：扩散模型、采样器详解。

术语速览：扩散模型（Diffusion Model）是一类通过「逐步加噪—逐步去噪」来学习数据分布的生成模型；去噪（Denoising）即从带噪声的图像中预测并减去噪声；潜空间（Latent Space）是把高分辨率图像压缩到低维表示的空间，Stable Diffusion 等在潜空间而非像素空间做扩散以节省算力；CLIP 是 OpenAI 提出的图文对齐模型，把图像和文本编码到同一向量空间，是文生图的「语义桥梁」。

核心直觉

想象一位画家接到一份订单：「画一只赛博朋克猫，霓虹灯，高细节」。画家有两种工作方式：

自由发挥版：不参考任何要求，凭直觉画一张猫——构图自然、风格多样，但可能完全不符合「赛博朋克」的要求。
严格遵循版：对照订单的每一个词，逐条落实。

画家的秘诀是：同时画两张草稿，一张自由版，一张遵循版，然后找出两张的差异——这个差异就是「文字要求带来的影响」。把差异放大叠加到遵循版上，文字要求的影响力就被加强了。

Classifier Guidance（分类器引导）= 画家旁边请了一位「审查员」（分类器，Classifier，即能判断输入属于哪个类别的神经网络），每画一笔，审查员都拿放大镜检查「这看起来像赛博朋克猫吗」，然后用检查结果指挥画笔方向。审查员必须能在模糊的草稿上工作（对噪声鲁棒），而且要单独花钱请（额外训练）。
Classifier-Free Guidance（分类器自由引导，CFG）= 画家自己就同时会画「有要求的版本」和「没要求的自由版本」，不用请审查员。把两个版本的差异放大叠加——这就是当今所有主流生成模型的做法。

核心公式一句话概括：最终噪声预测 = 无条件预测 + 引导强度 ×（条件预测 − 无条件预测）。引导强度越大，文字要求的影响越强。

为什么「差值」有效？ 从信息论角度看， $\epsilon_{\text{cond}} - \epsilon_{\text{uncond}}$ 可以理解为条件 c 对噪声场贡献的「纯净信号」——条件预测里既包含图像本身的结构信息（无论什么提示词，猫的基本形态都得对），也包含提示词特有的语义信息；无条件预测只包含前者。两者相减，剩下的就是「提示词独有的那部分指向力」。乘以 s 后放大，等于人为增强了信噪比。

原理详解

背景：为什么需要引导

扩散模型（详见扩散模型）本身可以训练成条件模型——给定文本提示 c，模型预测噪声 $\epsilon(x(t), t, c)$ （其中 $x(t)$ 是第 t 步的带噪潜变量，t 是扩散时间步，c 通常由 CLIP/T5 等文本编码器编码成的条件向量）。但实验发现，直接用条件模型采样，生成结果对提示的遵循度往往不够：模型会生成「大致相关但细节跑偏」的图像。

这背后有一个深层原因：训练时，条件信号 c 只是与 $x(t)$ 一起作为输入送入网络，模型学到的条件分布 $p(x \mid c)$ 是「在所有可能的 c 上的平均行为」。当 c 是一个长而具体的提示词时，模型并没有动力去严格区分「赛博朋克猫」和「水彩猫」——只要输出的整体统计上符合「猫」即可。引导技术通过在采样时人为放大条件信号的影响，让结果更忠实地贴合输入。

数学视角：引导本质上是修改了采样所依据的分布。原始条件采样从 $p(x \mid c)$ 抽样；CFG 实际上是从一个被「锐化」的分布 $p(x \mid c)^s \cdot p(x)^{1-s}$ （近似， $s \geq 1$ ）抽样。当 $s > 1$ 时， $p(x \mid c)$ 的高概率区域被放大、低概率区域被抑制，效果类似于把分布的峰值「削尖」，让样本更集中在与 c 最相关的区域——代价是牺牲多样性（峰值变窄）。

Classifier Guidance：用分类器梯度引导

Dhariwal 和 Nichol 在 2021 年的论文「Diffusion Models Beat GANs on Image Synthesis」中提出 Classifier Guidance。这也是首次证明扩散模型在图像生成质量上全面超越 GAN（生成对抗网络）的里程碑工作。核心思路：额外训练一个图像分类器，该分类器能在带噪声的中间状态 x(t) 上识别图像内容；采样时，用分类器对 x(t) 的梯度来修正去噪方向，让生成图像朝着「更符合条件 c」的方向走。

数学上，利用 Bayes 公式 $\log p(x \mid c) = \log p(c \mid x) + \log p(x) - \log p(c)$ ，条件去噪的得分函数（Score Function，即 $\nabla_x \log p(x)$ ，指向数据密度增长最快的方向）可以分解为：

\nabla_x \log p(x \mid c) = \nabla_x \log p(x) + \nabla_x \log p(c \mid x)

第一项由无条件扩散模型给出，第二项正是分类器 p(c | x) 对 x 的梯度。因此每一步去噪时，对均值做如下修正：

\mu_{\text{guided}} = \mu + s \cdot \text{grad}_{\text{classifier}}

其中 mean 是扩散模型原本预测的去噪均值， $\text{grad}_{\text{classifier}} = \nabla_{x(t)} \log p(c \mid x(t))$ 是分类器 log 概率对输入的梯度（指向「让分类器更确信这是类别 c」的方向），s 是引导强度（guidance scale）。

缺点：

需要额外训练分类器：扩散模型本身已经很大（数十亿参数），再训练一个分类器增加工程成本，且分类器需要和扩散模型同步迭代。
分类器必须对噪声鲁棒：因为采样过程中输入是带噪声的 x(t)（t 大时几乎全是噪声），普通分类器（在干净图像上训练的）完全无法工作——它的梯度几乎是随机方向。需要专门在「各种噪声级别」的加噪数据上训练分类器，复杂度高。
梯度可能不稳定：高噪声阶段分类器几乎无法识别内容，梯度噪声大，容易导致伪影（Artifact，即图像中不自然、不合理的人工痕迹）。
对多模态条件（如自由文本）支持差：分类器天然适合处理离散类别（如「猫 / 狗 / 鸟」），但很难定义一个能判断「这张图是否精确符合一段自由文本」的分类器。这是 Classifier Guidance 在文生图领域被淘汰的关键原因。

Classifier-Free Guidance：无需分类器的引导

Ho 和 Salimans 在 2022 年的论文「Classifier-Free Diffusion Guidance」中提出了更优雅的方案——Classifier-Free Guidance（CFG）。核心思想：不训练额外分类器，而是让同一个扩散模型同时学习条件和无条件两种噪声预测。作者敏锐地观察到：分类器梯度 ∇_x log p(c | x) 所提供的「条件修正信息」，其实可以用「条件预测与无条件预测之差」来近似——只要模型自己同时具备这两种预测能力。

训练时，以一定概率（通常 10%-20%，实践中 SD 系列 p_uncond ≈ 0.1-0.15，Imagen 等用 0.1）把条件 c 替换为空（即 dropout 掉条件，Condition Dropout，训练时随机把条件输入置为空向量 / 可学习占位符 <null>），让模型同时学会：

$\epsilon_{\text{cond}} = \epsilon(x(t), t, c)$ ：有条件时的噪声预测
$\epsilon_{\text{uncond}} = \epsilon(x(t), t, \text{null})$ ：无条件时的噪声预测

由于是同一个网络的两条前向通路，它们共享全部权重，只是条件输入不同。代价仅仅是训练时每个 batch 里有少量样本被「丢弃条件」——几乎不增加训练成本，推理时也只需多做一次前向传播。

推理时，用如下组合公式得到最终噪声预测：

\epsilon_{\text{final}} = \epsilon_{\text{uncond}} + s \cdot (\epsilon_{\text{cond}} - \epsilon_{\text{uncond}})

其中 s 是 guidance scale。可以把公式改写为：

展开形式（注意第一项系数为 $1-s$ ，即无条件预测的权重）：

\epsilon_{\text{final}} = (1 - s) \cdot \epsilon_{\text{uncond}} + s \cdot \epsilon_{\text{cond}}

即 $w_{\text{uncond}} = 1 - 1/s$ 、 $w_{\text{cond}} = 1/s$ ，整体乘以 $s$ （等价于上式）。

也可以写成「外推」（Extrapolation）形式——当 $s > 1$ 时， $\epsilon_{\text{final}}$ 实际上是沿着「从无条件指向条件」的方向越过 $\epsilon_{\text{cond}}$ 继续延伸，这就是「引导」一词的几何含义。

直观理解： $(\epsilon_{\text{cond}} - \epsilon_{\text{uncond}})$ 是「有条件比无条件多出来的那部分信息」——也就是条件 c 的纯影响。把这个差异乘以 s 后叠加回去，就放大了条件的作用。

为什么比 Classifier Guidance 更好：

无需训练额外分类器，工程成本几乎为零（只需在训练时随机丢弃条件，p_uncond 是唯一新增超参数）。
不依赖噪声分类器的鲁棒性，稳定性更高。
天然支持任意条件类型：文本、类别、图像、深度图、骨架图都可以，只要条件能被编码成向量喂给模型——这是 CFG 统治文生图领域的根本原因。
已成为 Stable Diffusion、DALL-E、Midjourney、Sora、FLUX 等几乎所有主流生成模型的标准配置。

推理成本提示：CFG 要求每步做两次前向传播（条件 + 无条件），显存和算力翻倍。后续的 Guidance Distillation（见下文）正是为了消除这一开销而提出的。

Guidance Scale 调参实践

guidance scale（s，也称 CFG scale）是 CFG 中最关键的超参数，直接决定生成结果的风格与质量：

s = 1：等价于 eps_final = eps_cond，即纯条件模型，没有任何引导放大。生成结果多样性高，但对提示的遵循度一般。适合需要创意发散的场景。
s = 7 ~ 8：文生图的黄金区间。文本对齐度和图像多样性达到良好平衡，是 Stable Diffusion、Midjourney 等的默认值。
s 大于 15：文本遵循度极高，但图像开始出现过饱和色彩、模式坍缩（Mode Collapse，即生成结果趋同、丧失多样性，所有图像长得越来越像，细节僵硬、出现伪影）。极高 s（大于 20）会生成近乎单色的怪异图像。

不同模型的最优区间不同，这取决于模型训练时见过的 CFG 强度分布：

模型族	推荐 guidance scale	备注
SD 1.5 / SD 2.1	7 ~ 9	经典 U-Net 架构，7.5 是社区默认
SDXL	3 ~ 7	训练时使用了较低 CFG 蒸馏，官方推荐 5 左右
SD3 / FLUX.1	1 ~ 4（guidance distillation 后可省略 CFG）	Rectified Flow 训练，对高 CFG 更敏感
Imagen 系列	7 ~ 10	谷歌内部默认较高
视频模型（HunyuanVideo / CogVideoX / Wan 2.1）	5 ~ 7	帧间一致性要求高，过高会闪烁

2025 提示：FLUX.1 和 SD3 由于采用了 Guidance Distillation（见下文），很多情况下可以完全关闭 CFG（s = 1，只跑一次前向），速度翻倍而质量损失很小。这是 2024-2025 年的一个重要趋势。

对生成质量的影响

引导强度本质上是在文本遵循度（Prompt Adherence）和样本多样性（Sample Diversity）之间做权衡：

高 guidance：每张图都精确反映提示词，但所有图趋同——多样性下降，覆盖不了提示词没说到的细节空间。图像色彩趋于饱和、对比度过高。极端情况下还会出现「光晕」「边缘锐化过度」等伪影。
低 guidance：生成结果更自然、多样，但可能偏离提示词，出现「答非所问」的情况。

这也是为什么 s = 7 ~ 8 成为经验上的最优区间——在这个区间内，文本对齐度足够好，同时保留了合理的多样性与自然感。

深层原因——off-manifold 问题：CFG++（见下文）的作者指出，高 CFG 的种种毛病（过饱和、模式坍缩、DDIM 不可逆）并非扩散模型固有的缺陷，而是传统 CFG 在噪声空间做外推，会把样本推到数据流形（Data Manifold，即真实图像所在的低维曲面）之外——off-manifold 的样本既不像真实图像，也难以被后续步骤拉回来。这是理解 2024 年以后 CFG 改进的关键线索。

2024-2026：CFG 的改进与新范式

传统 CFG 自 2022 年沿用至今，虽然简单有效，但「高 CFG 导致过饱和、双倍推理开销、DDIM 不可逆」等问题长期困扰社区。2024-2026 年涌现了一批重要改进，正在重塑引导技术栈。

CFG++：在数据空间而非噪声空间做引导

CFG++（Chung et al., NeurIPS 2024）提出了一个「surprisingly simple fix」（令人惊讶地简单的修正）。

核心洞察：传统 CFG 的外推发生在 噪声预测空间（epsilon-space），而 eps_cond − eps_uncond 在 epsilon 空间的差值并不天然落在数据流形上——s 越大，偏离越严重。CFG++ 改为在 数据预测空间（x0-space） 做引导：

传统 CFG（epsilon 空间）：

\epsilon_{\text{final}} = \epsilon_{\text{uncond}} + s \cdot (\epsilon_{\text{cond}} - \epsilon_{\text{uncond}})

CFG++（ $x_0$ 空间，对预测的干净图像 $x_0$ 做组合，再换算回噪声），其中 $s'$ 通常 $1 \sim 2$ ：

x_{0,\text{final}} = x_{0,\text{uncond}} + s' \cdot (x_{0,\text{cond}} - x_{0,\text{uncond}})

其中 x0_cond / x0_uncond 是模型从带噪 x(t) 直接预测出的「去噪后的干净图像」（很多 flow-matching / rectified-flow 模型如 SD3、FLUX 默认就是 x0 预测）。

带来的改进：

更低的 guidance scale：CFG++ 的等效 s’ 通常只需 1 ~ 2（而非 7 ~ 8），就能达到甚至超过传统 CFG s=7 的文本遵循度。
显著减少过饱和与模式坍缩：因为组合发生在数据流形附近，样本不容易被推到流形之外。
DDIM 逆变换重新可用：传统 CFG 下高 scale 会导致 DDIM inversion 失败（图像编辑的痛点），CFG++ 恢复了可逆性，对图像编辑工作流意义重大。
可与高阶求解器无缝结合：CFG++ 的条件-无条件插值在低 scale 下平滑，DPM-Solver、UniPC 等高阶采样器表现更稳定。

CFG++ 已被多个开源项目（ComfyUI 节点、Diffusers 实验 API）集成，是 2024 年最具影响力的 CFG 变体之一。论文：arXiv:2406.08070。

Autoguidance：用「弱化版自己」做无条件预测

Autoguidance（Karras 等，EDM 作者团队，ICLR 2025）从另一个角度反思 CFG：传统 CFG 用「条件 dropout 训练出的无条件分支」作为基线，但这个基线和条件分支共享同一个模型容量，两者预测的差异可能不够「纯粹」地反映条件影响。

Autoguidance 的思路：用同一个模型的弱化版本（如更小的网络、更低分辨率、或量化后的版本）作为无条件预测器。因为弱化版和完整版来自同一模型族、共享同一训练分布，两者的差异更准确地隔离了「条件 c 的纯效应」。

\epsilon_{\text{final}} = \epsilon_{\text{weak}} + s \cdot (\epsilon_{\text{full}} - \epsilon_{\text{weak}})

惊人效果：Autoguidance 允许使用极高的 guidance scale（100 以上）而不出现传统 CFG 的过饱和——因为弱化版到完整版的差异方向天然更贴近数据流形。这意味着文本遵循度可以推到传统 CFG 无法企及的程度。

代价是需要维护一个弱化版模型（多占一份权重，但比独立分类器轻得多）。论文：arXiv:2407.06313。

Guidance Distillation：把引导「蒸馏」进模型，推理零开销

Guidance Distillation（Meng 等，2023；Imagen 团队；SD3 / FLUX 普遍采用）解决 CFG 的另一个痛点——推理时双倍前向开销。

思路：把 guidance scale 当作模型的一个额外输入条件，训练时让模型直接学习「给定 scale = s 时的等效噪声预测」，而非要求推理时显式做 eps_uncond + s*(eps_cond − eps_uncond) 的两次前向。

训练流程简述：

用普通 CFG 训练好的 teacher 模型，在大量 (x(t), t, c, s) 组合上生成 teacher 的 CFG 输出 eps_teacher。
训练一个 student 模型，输入 (x(t), t, c, s)，目标是最小化 ||eps_student − eps_teacher||²。
student 学会了「内化」CFG，推理时只需一次前向传播，s 直接作为参数传入。

实际影响：

FLUX.1、SD3 默认训练时含 guidance distillation，社区实践中 s = 1（关闭传统 CFG）也能获得良好结果，推理速度翻倍。
SDXL Turbo / Lightning、DMD2 等一步 / 少步蒸馏模型进一步把 CFG 和步数蒸馏结合，实现单步生成。
代价：student 模型对训练时未覆盖的 s 值泛化较弱，灵活性略低于原生 CFG。

Preference Alignment：用偏好对齐减少对高 CFG 的依赖

Diffusion-DPO（Wallace 等，2024）及后续的 CFG-DPO、ReFL、DragDiff 等方法借鉴大语言模型的 RLHF（人类反馈强化学习）思路，用人类偏好数据直接微调扩散模型。效果是：模型在低 CFG 下也能严格遵循提示词，从而规避高 CFG 的副作用。

这一方向在 2025 年快速演进，与 CFG++、Autoguidance 形成「降低 CFG 依赖」的共同趋势。详见扩散模型 DPO。

原理图解

引导技术演进

Classifier Guidance 工作流

Classifier-Free Guidance 工作流

Guidance Scale 影响曲线（传统 CFG）

2024-2026 引导方法对比

动手实践

用 diffusers 对比不同 Guidance Scale

import torch
from diffusers import StableDiffusionPipeline

# 加载 Stable Diffusion 1.5，半精度节省显存
pipe = StableDiffusionPipeline.from_pretrained(
    "runwayml/stable-diffusion-v1-5", torch_dtype=torch.float16
).to("cuda")

prompt = "a cyberpunk cat, neon lights, highly detailed"

# 对比三种 guidance scale 的效果
for scale in [1.0, 7.5, 18.0]:
    generator = torch.Generator("cuda").manual_seed(42)  # 固定种子
    image = pipe(
        prompt,
        num_inference_steps=20,
        guidance_scale=scale,       # 关键参数：CFG 强度
        generator=generator,
    ).images[0]
    image.save(f"cfg_{scale}.png")
    print(f"scale={scale}: 已保存")
# scale=1.0 画面发散、不太贴合提示词
# scale=7.5 文本对齐与画质最佳（推荐默认值）
# scale=18.0 色彩过饱和、细节僵硬、出现伪影

关闭 CFG 的单次前向（FLUX / SD3 风格）

经过 guidance distillation 的模型可以省略双倍前向，速度直接翻倍：

from diffusers import FluxPipeline
import torch

pipe = FluxPipeline.from_pretrained(
    "black-forest-labs/FLUX.1-schnell", torch_dtype=torch.bfloat16
).to("cuda")

# FLUX.1-schnell 已蒸馏，guidance_scale=1（无 CFG）+ 少步即可
image = pipe(
    "a cyberpunk cat, neon lights, highly detailed",
    num_inference_steps=4,        # 蒸馏后只需 4 步
    guidance_scale=0.0,           # 关闭 CFG，单次前向
    generator=torch.Generator("cuda").manual_seed(42),
).images[0]
image.save("flux_no_cfg.png")
# 由于 guidance distillation，4 步 + 无 CFG 仍保持高文本遵循度

实践要点

默认从 s = 7 ~ 8 开始：这是绝大多数文生图模型的最佳区间，先在这个值下调整 prompt 和采样器，效果不满意再调 CFG。
s = 1 适合创意发散：当你想要模型自由发挥、生成多样结果时（如头脑风暴阶段），降低 CFG 到 1 ~ 3。
高 CFG 需搭配足够步数：s 大于 10 时，建议把采样步数提高到 30 步以上，否则伪影会更明显——高引导放大了每步的修正量，需要更细的去噪粒度来配合。
高 CFG 容易过饱和：如果发现色彩过于浓艳、对比度失真，优先降低 CFG 而非调其他参数。也可在 ComfyUI 中接入色彩校正节点补救——详见ComfyUI 与节点式生成。
负向提示词依赖 CFG：负向提示词（Negative Prompt）本质上是把无条件预测替换为「负条件预测」，配合 CFG 公式实现「远离不想要的内容」：eps_final = eps_neg + s*(eps_cond − eps_neg)。没有 CFG 就没有负向提示词机制。
视频生成对 CFG 更敏感：帧间一致性（Temporal Consistency，即相邻帧在视觉上连贯不闪烁）要求高，过高的 CFG 会导致每帧过拟合提示词而帧间闪烁——详见视频生成。2025 年的开源视频模型（HunyuanVideo、CogVideoX、Wan 2.1）普遍使用 5 ~ 7 的 CFG，部分还采用「双 CFG」（文本条件和其他条件分别引导）来精细控制。
SDXL 推荐更低 CFG：SDXL 训练时默认 CFG 较低，官方推荐 s = 2 ~ 5 区间即可获得良好效果，高 CFG 反而过拟合。
FLUX / SD3 可尝试关闭 CFG：得益于 guidance distillation，这些模型在 s = 0/1（单次前向）下质量已足够，速度翻倍。需要精细控制时再开启传统 CFG。
优先尝试 CFG++ / Autoguidance：如果你的工作流支持，用 CFG++（x0 空间组合）可以在更低等效 scale 下获得更干净的高遵循度结果，尤其适合图像编辑等需要 DDIM 可逆性的场景。

典型应用

Stable Diffusion 系列：所有 SD 模型（SD 1.5、SDXL、SD3）的 UI 都有 guidance_scale 滑块，默认 7.5（SDXL 默认 5）。详见主流图像生成模型对比。
FLUX.1（2024，Black Forest Labs）：采用 Rectified Flow + Guidance Distillation，schnell 版本可在 s=0、4 步下生成高质量图像，是 2024-2025 年开源图像生成的标杆。
Stable Diffusion 3（2024）：MMDiT（Multimodal Diffusion Transformer）架构，使用三个文本编码器（CLIP-L、CLIP-G、T5-XXL），训练时嵌入 guidance scale，推理可省略 CFG。
Midjourney：通过 prompt 后缀参数（如 --stylize、--chaos）间接控制引导强度，底层原理与 CFG 一致。
DALL-E 3 / Sora / GPT-Image（OpenAI，2024-2025）：使用 CFG 并结合 RLHF 进一步优化文本遵循——详见语言模型演进。
ControlNet / IP-Adapter：这些可控生成方法在 CFG 框架下工作，额外的条件信号（深度图、姿态、风格图像）通过引导叠加进来——详见ControlNet 与可控生成。
文生视频（AnimateDiff / SVD / HunyuanVideo / CogVideoX / Wan 2.1）：CFG 控制动画对文本提示的遵循，需在帧间稳定性与文本对齐间权衡——详见AnimateDiff 与 AI 动画。2025 年的 HunyuanVideo（腾讯开源，13B）和 Wan 2.1（阿里开源）均使用 CFG，并探索了「流匹配 + CFG」的视频生成范式。
扩散模型 DPO / Preference Alignment 训练：Diffusion-DPO 及其 2025 后续（CFG-DPO、ReFL 等）通过偏好对齐减少对高 CFG 的依赖，让低 CFG 下也有良好的文本遵循——详见扩散模型 DPO。

典型类库与工具

类库	语言	说明
diffusers	Python	HuggingFace 扩散模型库，guidance_scale 参数直接传入 pipeline；支持 FLUX / SD3 / CFG 实验
ComfyUI	Python	节点式工作流，CFG 通过 KSampler 节点的 cfg 参数控制；社区已有 CFG++ / Autoguidance 自定义节点
AUTOMATIC1111 WebUI	Python	Stable Diffusion 主流前端，UI 提供 CFG Scale 滑块
stable-diffusion (Stability AI)	Python	官方实现，含 Classifier Guidance 与 CFG 两种引导模式
k-diffusion	Python	Kohya 采样器库，底层支持 CFG 噪声预测组合
ComfyUI-Advanced-guidance	Python	社区插件，提供 CFG++、Autoguidance、动态 CFG 等高级引导选项

术语表

术语	英文	解释
引导	Guidance	采样时放大条件信号影响的技术，提升生成结果与输入条件的对齐度
分类器引导	Classifier Guidance	用额外训练的噪声分类器梯度修正去噪方向的引导方法
分类器自由引导	Classifier-Free Guidance (CFG)	无需额外分类器，同模型学习条件和无条件预测并组合的引导方法
引导强度	Guidance Scale / s	控制条件影响放大倍数的超参数，典型值 7 ~ 8（传统 CFG）
条件预测	Conditional Prediction	给定条件 c 时模型预测的噪声 eps(x(t), t, c)
无条件预测	Unconditional Prediction	条件为空时模型预测的噪声 eps(x(t), t, null)
条件 dropout	Condition Dropout	训练时随机丢弃条件（通常 10%-20%），使模型同时学会无条件预测
模式坍缩	Mode Collapse	生成结果趋同、丧失多样性的现象，高 guidance 时容易出现
负向提示词	Negative Prompt	通过 CFG 公式让模型「远离」指定内容，依赖引导机制工作
文本遵循度	Prompt Adherence	生成结果与输入提示词的匹配程度，随 guidance 升高而提升
得分函数	Score Function	∇_x log p(x)，对数概率密度的梯度，指向数据密度增长最快的方向
数据流形	Data Manifold	真实数据（如图像）在高维空间中聚集的低维曲面
CFG++	CFG++	在 x0（数据预测）空间而非 epsilon（噪声预测）空间做引导的改进方法，降低等效 scale，恢复可逆性
Autoguidance	Autoguidance	用同一模型的弱化版（小模型 / 量化版）作为无条件基线的引导方法，允许极高 scale
引导蒸馏	Guidance Distillation	把 guidance scale 作为模型输入条件训练，推理时单次前向，省去双倍开销
帧间一致性	Temporal Consistency	视频生成中相邻帧在视觉上连贯不闪烁的程度