CFG
扩散模型中的引导机制，通过同时计算有条件和无条件的噪声预测，沿特定方向增强生成引导，控制生成图像与提示词的匹配程度
核心事实
时间轴 (近 90 天)
SFG分支只需在图像采样的前20%步骤运行即可，在不使用CFG情况下其开销仅约为基础NFE的1.2倍
无分类器引导（CFG）同时运行有条件分支和无条件分支，沿有条件方向减去无条件方向放大条件信号，以额外一倍推理成本换取质量提升
Turbo默认CFG=1，每步只需一次前向推理
CFG（无分类器引导）在每步去噪时需同时运行有条件和无条件两次前向传播，开启后每步推理计算量翻倍
在Qwen-Image 2.1上较低的CFG值（3）通常能带来更自然、更少过拟合感的输出
Supra2-IMG 采用 CFG 3.0 作为展示默认值，相较于 Stable Diffusion 常用的 7.0–9.0 偏低
AI图像生成中的抖动纹理和点状纹理通常源于扩散模型去噪过程中采样步数不足、CFG引导强度不当或训练质量问题
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
测试者将 CFG 从 1 提升到 4–4.5 能让输出画质有所改善
CFG=1 意味着完全不进行差值放大，生成过程退化为纯无条件扩散，提示词失去引导效果
还有 14 条时间轴事件
全部知识事实 (20)
文生图场景中的负向提示技术实现依赖分类器自由引导（Classifier-Free Guidance, CFG）机制
75%已验证CFG Scale越高生成结果越严格遵循文本描述，但过高则可能导致色彩过饱和和细节失真
65%待验证CFG值（Classifier-Free Guidance Scale）通常设置在5-12之间，采样步数一般在20-50步之间取得较好平衡
85%待验证新一代模型如FLUX、Z-Image由于架构改进，CFG值设为1甚至更低即可获得最佳效果，而传统Stable Diffusion模型通常使用7-12的CFG值
80%待验证FSM约束能从语法层面保证JSON格式合法，但无法约束字段的语义质量
70%待验证即使使用相同提示词，不同seed会产生完全不同的图像；固定seed后，采样步数或CFG引导强度的微小变化也可能导致输出差异
60%待验证CFG值（Classifier-Free Guidance Scale）控制模型对提示词的服从程度，值越高越忠实但可能过度饱和
60%待验证无分类器引导（CFG）同时运行有条件分支和无条件分支，沿有条件方向减去无条件方向放大条件信号，以额外一倍推理成本换取质量提升
50%待验证SFG分支只需在图像采样的前20%步骤运行即可，在不使用CFG情况下其开销仅约为基础NFE的1.2倍
50%待验证Turbo默认CFG=1，每步只需一次前向推理
50%待验证CFG（无分类器引导）在每步去噪时需同时运行有条件和无条件两次前向传播，开启后每步推理计算量翻倍
50%待验证在Qwen-Image 2.1上较低的CFG值（3）通常能带来更自然、更少过拟合感的输出
50%待验证Supra2-IMG 采用 CFG 3.0 作为展示默认值，相较于 Stable Diffusion 常用的 7.0–9.0 偏低
50%待验证AI图像生成中的抖动纹理和点状纹理通常源于扩散模型去噪过程中采样步数不足、CFG引导强度不当或训练质量问题
50%待验证测试者将 CFG 从 1 提升到 4–4.5 能让输出画质有所改善
50%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
50%待验证CFG=1 意味着完全不进行差值放大，生成过程退化为纯无条件扩散，提示词失去引导效果
50%待验证CFG=4–4.5 是许多 Flux、SD3 系列模型的推荐起点区间，而 SDXL 类模型常用 5–8
50%待验证过高的 CFG（如超过 10）会导致颜色饱和度爆炸、细节过度锐化乃至出现伪影
50%待验证对于 Qwen Image 2.1，建议从 CFG 4 左右起步，配合 40 步左右的采样
50%