标准回答
背景：早期 Classifier Guidance 需要额外训练一个噪声鲁棒的分类器，用其梯度引导扩散采样，工程复杂且依赖外部模型。无分类器引导（CFG） 去掉了这个分类器。
训练：同一个条件扩散模型，训练时以一定概率（如 10%~20%）把条件 c 置空（用空标签 ∅），于是模型同时学会了条件预测 ε_θ(x_t, c) 和无条件预测 ε_θ(x_t, ∅)。
采样（核心公式）：把两个噪声/得分预测做线性外推
ε̂ = ε_θ(x_t, ∅) + w · ( ε_θ(x_t, c) − ε_θ(x_t, ∅) )
其中 w 是引导系数（guidance scale）。w=1 等价于普通条件采样；w>1 沿「条件 − 无条件」方向放大条件信号，相当于隐式地锐化条件后验。
效果与权衡：
- w↑：与提示词/条件对齐更强、样本保真度更高，但多样性下降，过大（如 >15）会出现过饱和、伪影。
- w↓：更多样、更自然，但可能偏离条件。
- 典型取值：Stable Diffusion 文生图常用 7~12。
CFG 已成为 DDPM/SD/DALL·E 等文生图模型的标配引导手段，详见 Diffusion 原理 与 文本到图像生成。
常见误区
⚠️ 常见踩坑
CFG 并不需要任何分类器，也不计算分类器梯度——这正是它对 Classifier Guidance 的改进。另外引导系数不是越大越好：过大反而导致过饱和、细节伪影和多样性塌缩。
追问
追问 1：CFG 相比 Classifier Guidance 的优势是什么？
Classifier Guidance 需额外训练一个能处理含噪输入的分类器，并用其梯度引导，工程成本高、受分类器质量制约且易引入对抗性伪影。CFG 把条件信号内化进同一个生成模型（训练时随机丢弃条件），采样时只用条件/无条件两次前向外推即可，无需外部模型，质量与可控性更好。
追问 2：CFG 的主要代价是什么？
一是计算成本：每步采样要做条件和无条件两次前向，开销约翻倍。二是多样性-保真度权衡：引导系数偏大时多样性下降、可能过饱和。可用 dynamic/rescaled CFG、CFG distillation 等方法缓解。
追问 3：引导系数 w 取值对生成有什么影响？该如何选？
w=1 为无引导的条件采样；w>1 放大条件、提升对齐与保真但牺牲多样性，过大会过饱和、出伪影。需按任务调：文生图常用 7~12，追求多样性时取小值，追求精确贴合提示时适当增大，建议做扫描对比挑最佳点。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。