前置知识点（建议先学）
学习状态：
一句话定义
无分类器引导（Classifier-Free Guidance，CFG）在采样的每一步把「有条件预测」与「无条件预测」的差值放大后叠加回去，用外推的方式强化提示词对生成方向的引导。
为什么重要
CFG 是文生图工具里那个出镜率最高的数字（SD 系的「CFG Scale 7」）。它直接执行 kp-004 说的「可控性 ↔ 多样性」交换：调高则句句照办但画面趋同过饱和，调低则自由发挥但提示词失灵。同时它还是负向提示词（kp-018）的实现载体——不理解 CFG，负向提示词就只能当咒语背。
前置知识
kp-006（采样公式）；kp-011 的「文本条件如何进入网络」可在本节后再深入，不阻塞本节。
核心概念
- 条件/无条件预测：ε_θ(x_t, c) 与 ε_θ(x_t, ∅)，后者把条件替换为空串或空嵌入。
- 引导强度 w（CFG scale）：差值的外推倍数；w=1 即退化为普通条件采样。
- 条件 dropout 训练：训练时以 10%~20% 概率丢弃条件，使同一网络兼具两种预测能力。
- 负向提示词的合并：实现中把「无条件分支」替换为负向提示词的条件（详见机制）。
原理与机制
训练侧：同一网络学两种模式——给条件时预测 p(x|c) 方向，随机丢条件时预测边缘 p(x) 方向。采样侧，每一步把两个前向合并：
ε̃(xt, c) = εθ(xt, ∅) + w · ( εθ(xt, c) − εθ(xt, ∅) )
括号内是「条件把预测拉离无条件基线的方向」，乘 w 后从基线向外推。理论根源是分类器引导：引导项近似于 log p(c|x_t) 的梯度，即「往更符合条件 c 的方向修正」；无分类器引导用两个网络输出的差值隐式构造了这个梯度，省去单独训练分类器。w 的行为分区（SD 系经验值，随模型代次浮动）：w=1 无引导，提示词只起弱作用；4~8 常用区，服从与画面质量平衡；>10 明显过饱和、对比度失真、细节「烧穿」；部分模型训练时固定 w，推理端不可调（如部分蒸馏模型）。
负向提示词如何塞进来：把公式中的无条件项替换为负向条件 c₋：
ε̃ = εθ(xt, c−) + w · ( εθ(xt, c+) − εθ(xt, c−) )
即「远离负向描述、朝正向描述外推」——负向提示词因此不是独立的删除器，其效力与 w 直接耦合（kp-018 展开）。
公式与推导
从分类器引导出发：p_w(x_t|c) ∝ p(x_t|c)·p(c|x_t)^w，展开其对数梯度，条件得分项与非条件得分项相减后乘 w，即得差值外推式——CFG 等价于「用一个隐式分类器的梯度做修正」。w>1 的外推使采样分布偏离训练分布（更尖锐的 p(x|c)），这正是过饱和伪影的来源：模型被要求输出「比训练数据更符合提示」的样本。
图示
实线：条件把预测从基线拉出的方向；虚线：CFG 沿该方向再推 w 倍。w 越大，越「用力」服从条件，也离训练分布越远。
直观类比
导航重算路线：无条件预测是「随便开」，条件预测是「按目的地修正的方向」，w 是「听导航的程度」。w=1 完全我行我素；w=7 认真听；w=15 疯狂打方向盘——车是听你的了，但开出马路牙子（过饱和、崩坏）。
实例或案例
- 同提示词「海边小屋，黄昏」在 w=5/7/14 三档出图：w=5 多样性最好、构图随种子飘；w=7 服从与质感平衡；w=14 色彩过曝、天空大面积死白、多图趋同。
- 负向提示词「deformed hands」在 w=4 时几乎无效、w=8 时明显起效——压低方向的比例随 w 放大。
- 蒸馏快图模型（Turbo/LCM 系）训练时把 CFG「焊死」在内部，推理端 CFG 设 1~2，强行调到 7 会立即崩坏。
常见误区
- 误区一：CFG 越高越清晰、质量越高。短期保真上升，越过常用区后进入分布外插值，过饱和与伪影反而拉低质量。
- 误区二：负向提示词是独立机制。它只是占用了 CFG 的「基线分支」，没有 CFG（w=1）就没有负向提示词。
- 误区三：不同模型的同数值 CFG 等价。w 的最优区间与训练设置（是否蒸馏、条件 dropout 率、调度）强相关，换模型要重新校准。
自测题
- 写出 CFG 合并公式并解释 w=1 的含义。
答案要点：ε̃ = ε_∅ + w(ε_c − ε_∅)；w=1 时退化为普通条件采样、无额外引导。
- 为什么训练时要做条件 dropout？
答案要点：让同一网络同时具备条件与无条件两种预测，采样时才能求差值，无需另训分类器。
- w=14 时画面常见什么问题？成因是什么？
答案要点：过饱和、对比度失真、细节烧穿；外推使采样点落入训练分布之外。
与其他知识点的关系
kp-011 解释条件 c 从哪来；kp-018 把「基线分支换负向」的实践展开成方法论；kp-004 的三角权衡在 w 旋钮上最直观；kp-025 的过饱和失败模式根因在此。
延伸阅读
Ho & Salimans《Classifier-Free Diffusion Guidance》全文短小，公式 (4) 即本节核心；Dhariwal & Nichol（NeurIPS 2021）给出分类器引导的先行版本可对照。