無分類器引導（CFG）

當你要擴散模型畫一隻柯基，你往往希望它畫出一隻一望即知的柯基，而不是一隻模糊的狗。無分類器引導就是用來加強每個樣本服從其條件之程度的旋鈕。它的做法是訓練一個網路同時扮演條件與無條件兩種角色，取樣時再從無條件預測朝條件預測的方向外推，放大條件所添加的一切。

具體而言，訓練時隨機丟棄條件，使同一個網路同時學到條件分數與無條件分數。取樣時，被引導的分數等於無條件分數加上一個引導權重乘以兩者之差。依貝氏定理，這個差正是「給定資料時條件的對數似然」之梯度，因此引導是隱含地由一個內含分類器在操舵，卻從不需訓練一個獨立的分類器，這正是名稱的由來。權重為一時回到尋常的條件取樣；較大的權重把樣本推向更高的條件似然。

引導是文字生成影像系統視覺衝擊力背後的核心槓桿，但它是一種取捨而非免費午餐：調高權重會提升提示忠實度與樣本銳利度，卻同時壓縮多樣性，而在高值下會使色彩過飽和、結構變形。