待验证50% 置信事实精确时间
Classifier-Free Guidance（CFG）是扩散模型与流匹配模型中最主流的引导技术之一，训练时以一定概率丢弃条件，采样时通过公式将条件与无条件预测相减并放大引导强度。
1
来源数
50%
置信度
长期有效
时效性
2026/10/16
首次发现
来源
重新审视CFG：TI2I流匹配中的隐式陷阱与修正
rss2026/10/15
涉及实体
相关事实
待验证无分类器引导（CFG）最初来自扩散生成模型，做法是在采样时同时计算有条件与无条件预测，再用一个权重 w 放大两者之差，公式为 ε = ε_uncond + w·(ε_cond − ε_uncond)。77% 相似待验证CFG 是扩散模型中的核心超参数，原理来自2022年的研究成果，通过加权混合有条件与无条件去噪路径的预测结果来增强对文本描述的响应76% 相似待验证文本引导的去噪过程本质上是Classifier-Free Guidance（CFG）机制在起作用，模型同时预测有条件和无条件的噪声估计，两者差值被放大后引导生成方向73% 相似待验证CFG推理时分别进行有条件预测和无条件预测，通过公式output = uncond + guidance_scale × (cond - uncond)进行插值放大，代价是每步需要两次前向传播69% 相似待验证FSDP 将模型参数、梯度和优化器状态拆分到多卡，是训练千亿级参数模型的主流方案67% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1046695API
curl https://kongchang.com/api/v1/knowledge/claims/1046695MCP
get_claim(id=1046695)