无分类器引导是什么？CFG 强度与画面变化怎样理解
解释 CFG 如何组合有条件和无条件预测，用图像描述说明提示贴合与质量取舍，区分引导、负面提示和结构控制，并避免跨模型照搬数值。
先理解这个概念
无分类器引导CFG是一种生成引导方法，典型扩散实现结合有条件与无条件预测，调整采样朝条件方向的程度，不需要另一个分类器来提供引导。相关强度不是画质评分，也不保证越大越好。不同模型或蒸馏管线的引导机制可能不同，参数含义与支持应按实现核对，不能仅凭同名数值比较。
有条件与无条件预测用于调整采样方向
条件可以是文字描述，无条件分支则提供没有该描述时的参照，两者组合影响生成方向。原始论文讨论样本质量与多样性的权衡，不能概括成只要提高CFG就更忠实。引导改变生成过程，不是重新训练模型，也不检查事实。
Hugging Face提供不同引导器，具体公式约定与开关可能不完全相同。有的管线还使用其他引导近似，不能把界面里的guidance字段都默认当作同一原始CFG算法。本文核对机制，没有运行引导参数对照。
提示贴合与画面自然需要一起观察
例如要求一只红杯子，提高引导可能影响对颜色描述的响应，也可能带来不自然的饱和或其他伪影。是否出现以及程度，取决于具体模型。应该检查主体和细节，而不能只用颜色更鲜艳判定图像质量提高。
CFG不能保证数量和几何结构准确，也不等于ControlNet等结构条件。若问题是姿势不对，单调引导数值可能无法解决。负面提示也有相关实现条件，不能把一份禁止词表与CFG强度当作完全可互换的控制方式。
同条件对照以后保留完整配置
在支持的管线里固定模型和输入，比较少量候选设置，分别检查提示符合程度与伪影。这里是评测设计，没有生成图片。种子和采样器也要记录，避免把其他变化造成的差异全部归因于CFG。
若服务并未开放引导参数，不应通过请求里加一个字段就认为已生效。核对模型说明和实际告警，再决定可调整范围。本文不给通用最佳值，最终验收仍按图像用途，不能由一个数值替代实际画面检查。
核对来源
以下资料用于核对概念和方法。文中的示例与测试范围分别注明，实际使用时请核对所用工具的版本。