待验证50% 置信事实精确时间
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
1
来源数
50%
置信度
长期有效
时效性
2026/9/20
首次发现
来源
涉及实体
相关事实
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72% 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70% 相似已验证扩散模型是一类基于马尔可夫链的生成模型，核心思想是通过前向加噪和反向去噪来捕捉数据分布69% 相似已验证扩散模型的核心原理分为前向扩散过程（逐步添加高斯噪声）和反向去噪过程（从噪声中还原图像）两个阶段66% 相似待验证从30步CFG 4到12步CFG 1的加速本质上是模型蒸馏技术的应用成果，与Consistency Model、SDXL-Turbo、LCM共享相似底层思路64% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/937399API
curl https://kongchang.com/api/v1/knowledge/claims/937399MCP
get_claim(id=937399)