CFG Scale：引导强度调节技术

可视化演示

动态演示CFG Scale的核心机制，通过全局/局部/动态/静态四种模式展示关键概念与交互流程。

CFG 基础概念

路痴司机最怕的，不是没有导航，而是不知道自己该听谁的。扩散模型生成图像时，从一片随机噪声出发，每一步都在“猜”下一步应该往哪个方向走。如果没有提示词约束，这个猜测就像没有导航的司机——东南西北都能开，最后开到哪里全凭运气。CFG Scale 要解决的，正是“如何让司机把导航听得更清楚”的问题。

在 Stable Diffusion 中，这个“导航音量”就是 CFG Scale。它不是一个藏在角落里的小参数，而是 WebUI、ComfyUI 等工具里最醒目的滑块之一。你填 1，模型几乎无视提示词，随心所欲地画；你填 15，模型恨不得把提示词里的每个词都画成超大号logo，结果画面被“吼”得面目全非。大多数情况下，创作者会把 CFG Scale 放在 5 到 10 之间，像听导航一样，既听清方向，又不被吓到。

从技术上说，CFG Scale 全称是 Classifier Free Guidance，中文常译为“无分类器自由引导”。它的核心思路是：让同一个扩散模型在推理时同时做两次预测，一次看提示词，一次不看提示词，然后把“看与不看之间的差别”按一定强度放大。这个强度，就是 CFG Scale。不需要额外的图像分类器，所以叫“无分类器”。

回到司机的比喻：提示词是导航里的目的地，扩散模型是路痴司机，CFG Scale 则决定了导航老师傅的话在司机耳边占多大分量。声音太小，司机自由发挥，画面充满惊喜但容易跑偏；声音太大，司机被吼得只敢走直线，最后连原本该拐的弯都拐成了直角。调 CFG 的第一步，就是理解它不是一个“越大越好”的旋钮。

引导公式原理

导航老师傅是怎么给司机指路的？他其实会同时说两套话：一套是“没有导航时你自己也会说的话”——司机凭手感判断前方是不是路；另一套是“结合地图后重新计算的话”——前方该左转还是直行。两套话之间的差，就是导航真正提供的有效信息。CFG 引导公式做的正是这件事。

扩散模型在每一步去噪时，会先做一次无提示词的条件预测 $\varepsilon_{\text{uncond}}$，再做一次有提示词的条件预测 $\varepsilon_{\text{cond}}$。真正有价值的是两者的方向差：提示词想把画面“拉”向哪里。CFG 把这个方向差乘以强度系数 $s$，再加回无提示词的预测中，得到最终引导方向。

这个公式的美妙之处在于，它不需要任何额外的图像分类器，只需要同一个模型做两次前向推理。对比条件预测和无条件预测，模型自己就学会了“提示词想把图拉向哪里”。前面的箭头越大，最终图像就会越执着地扑向提示词描述的内容。

用司机的语言总结：无条件预测是你自己的方向盘手感，条件预测是导航建议，两者的差值就是“导航纠偏”。CFG Scale 就是这个纠偏声音的音量旋钮。旋钮拧得越大，你越不敢按自己的手感开车，最终车辆轨迹会被导航“掰”得笔直——但路面并不是笔直的，所以车轮反而会压线、擦边，甚至冲出路面。

低 CFG 效果

如果把导航音量调到 1 到 4，司机会是什么状态？他隐约听到导航在说什么，但大部分时间还是凭感觉开车。车子可能绕远路，可能开进一条地图上没有的小路，但沿途会看见意外的野花、落日和岔路风景。低 CFG 生成的图像也是这样：提示词只提供一个模糊方向，模型放开手脚自由发挥。

在画面表现上，低 CFG 意味着“提示词遵循度偏弱但图像更松弛”。你要求“一只戴帽子的柴犬”，结果狗是柴犬，帽子却不明显；你要求“赛博朋克城市”，结果城市元素在，霓虹灯的强度和位置却很随机。画面往往没有高 CFG 那种紧绷感，色彩过渡更自然，细节更松散，光线和构图反而多了一份“画出来的呼吸感”。

对于创作者来说，低 CFG 是一把双刃剑。它特别适合创意探索和概念草图：当你不知道自己想要什么，只想看看模型能从一句模糊描述里长出什么灵感时，CFG 2 到 5 会给你带来很多意想不到的构图。但如果你需要稳定输出商品图、角色设定图，低 CFG 会让主体反复“失踪”，返工率直线上升。

所以，低导航音量并不是“坏导航”。它只是把方向盘的一部分还给了司机。真正的老司机有时候会故意关小导航，去探索一条没有人走过的山路。生成式 AI 的价值恰恰在于这种“可控的失控”——CFG 越低，失控越多，灵感也越多，但你需要有能力接受翻车。

高 CFG 问题

现在把导航音量拧到 15 甚至 20。导航老师傅不再是指路，而是对着司机的耳朵尖叫：“左转左转左转！”“直行直行！”司机吓得猛打方向盘，每一个动作都做得过度用力。结果车子冲过路口、撞上路沿，轮胎在地上留下刺耳的摩擦痕。高 CFG 图像给人的第一感觉，就是这种“用力过猛”的痕迹。

具体到画面上，过高的 CFG 会让模型把预测往提示词方向“推”得太远，从而偏离真实图像的分布。最典型的现象是过饱和：你写“黄金色调”，画面直接变成高饱和的荧光橙；写“美丽皮肤”，皮肤被磨成塑料质感；写“锐利细节”，边缘出现一圈一圈的伪影和硬边。这是因为纠偏向量被过度放大，模型每一步都在修正，最终越修越过。

更麻烦的是“主体过拟合”。当 CFG 很高时，模型会把提示词中的每个词都当作生死攸关的指令，导致画面元素堆砌、构图不自然。你写“一只戴帽子的柴犬站在雪山前”，它可能会把雪山、帽子、狗各画一个巨大的特写，而不是把三者和谐地放进一个画面。这种“照单全收”的机械感，恰恰是 AI 味最重的地方。

回到导航比喻：高 CFG 不是“更听话”，而是“被吼得不会开车了”。司机每一步都被导航拽着走，最终连自己原本擅长的流畅轨迹都被破坏。这就是为什么老手看到 CFG 超过 15 的图，第一反应不是“哇，好精细”，而是“哦，又过饱和了”。导航音量太大，目的地反而更远了。

动态 CFG 策略

聪明的司机从来不会全程用一个音量开车。刚上高速、路况不熟时，他会把导航音量调大，严格按指示变道；快到目的地时，他会把音量调小，因为最后几百米往往路况复杂，过度依赖导航反而容易错过路口。动态 CFG 策略就是这个思路：在采样前期用较高的 CFG，快速锁定主体轮廓；在采样后期降低 CFG，给细节和色彩留出自然生长的空间。

在实现上，动态 CFG 可以是一条随去噪步数线性下降的曲线：

除了线性递减，也可以做分段调整：前 30% 步数保持 CFG 12，中间 40% 线性下降到 7，最后 30% 保持 5。这样的“先高后低”策略，保证了大结构不跑偏，同时让皮肤、光影、材质等细节不至于被过度修正。许多采样器插件和动态 CFG 节点已经支持这种调度，你不需要手写公式，只需要理解它的意图。

动态 CFG 最适用的场景，是那些既需要“忠于提示词”又需要“色彩自然”的任务。比如动漫风格插画、人物半身像、复杂场景渲染。固定高 CFG 虽然能保证人物特征准确，但背景常常过曝；固定低 CFG 又会让角色五官漂移。动态策略像一位经验丰富的司机：前半程紧握方向盘，后半程放松双手，让车自然滑入车位。

调参实战

说了这么多比喻，实践里 CFG Scale 到底该调成多少？最稳的起点是 7，这是 Stable Diffusion 生态里最常见的默认值。在大多数写实风格下，5 到 10 是一个安全区间；插画和动漫风格可以稍微高一点到 7 到 12；而极简风格或抽象艺术，反而更适合 3 到 6。记住：这个数字没有绝对的标准，只有“适合当前画面的值”。

不同模型对 CFG 的敏感度差异很大。SD 1.5 时代的模型提示词理解较弱，往往需要 7 到 10 才能把主体稳住；SDXL 等新模型对提示词的还原能力更强，同样的效果可能只需要 5 到 8。如果你用的是社区微调模型，最好先看一眼模型卡上的推荐 CFG，再结合自己测试。比如人物模型喜欢 5，风景模型喜欢 8，这不是玄学，而是训练数据分布不同。

调参的正确姿势，是“控制变量”。固定提示词、种子、步数和采样器，只让 CFG 从 2 到 15 逐个生成一张网格图。你会清楚地看到：低 CFG 时主体模糊，中段图像最自然，高段过饱和和伪影开始出现。此时再回头微调提示词，往往比继续加 CFG 更有效。比如主体不清晰时，把“戴着帽子”写成“红色贝雷帽”，比把 CFG 从 7 调到 12 更聪明。

所以，CFG Scale 调的不是一个数字，而是“提示词可信度”。提示词写得越精准，CFG 就可以越低；提示词越模糊，CFG 越高只会让模型手忙脚乱。真正的高手总是先用提示词把导航地图画清楚，再把 CFG 音量调到刚好能听清的程度，然后用动态策略稳住后段。这样，司机不慌，导航不吼，目的地自然近在眼前。

AI 应用场景

Python 演示

import math  def guided_prediction(uncond, cond, cfg):    """CFG 引导公式：    guided = uncond + cfg * (cond - uncond)    它把提示词带来的噪声方向差放大 cfg 倍。    """    return [u + cfg * (c - u) for u, c in zip(uncond, cond)]  def linear_cfg_schedule(steps, start=12.0, end=4.0):    """生成从 start 到 end 线性下降的 CFG 序列。"""    if steps <= 1:        return [start]    return [start + (end - start) * i / (steps - 1) for i in range(steps)]  def simulate_denoising(uncond_list, cond_list):    """模拟每一步去噪时的引导噪声预测。"""    steps = len(uncond_list)    schedule = linear_cfg_schedule(steps, start=12.0, end=4.0)    outputs = []    for i, (u, c) in enumerate(zip(uncond_list, cond_list)):        cfg = schedule[i]        outputs.append((cfg, guided_prediction(u, c, cfg)))    return outputs  if __name__ == "__main__":    uncond_series = [        [3.0, 2.5, 2.0, 1.5],        [3.2, 2.6, 2.1, 1.4],        [3.1, 2.4, 2.2, 1.6],        [2.9, 2.3, 1.8, 1.3],    ]    cond_series = [        [7.0, 6.5, 6.0, 5.5],        [7.2, 6.4, 6.1, 5.6],        [7.1, 6.6, 5.9, 5.4],        [7.3, 6.7, 6.2, 5.7],    ]    results = simulate_denoising(uncond_series, cond_series)    for step_idx, (cfg, guided) in enumerate(results, start=1):        print("step {}: CFG={:.1f}, guided={}".format(step_idx, cfg, guided))

1. guided_prediction(uncond, cond, cfg)核心公式所在，返回无条件预测与纠偏项的组合。
2. linear_cfg_schedule(steps, start=12.0, end=4.0)生成动态 CFG 序列，模拟“先高后低”策略。
3. simulate_denoising(uncond_list, cond_list)把动态 CFG 与引导公式串联起来，模拟整个采样过程。
4. zip(uncond, cond)按步配对无条件预测和条件预测，逐元素计算引导噪声。
5. print(...)输出每一步的 CFG 和引导结果，方便直观观察动态引导的变化。

常见误区

面试题