无分类器引导 (CFG)

无分类器引导是一种在扩散模型（Diffusion Models）生成过程中，摒弃传统依赖外部分类器（Classifier）来提供条件概率梯度引导的方法。其核心在于利用模型自身的预测能力，通过重参数化技巧或条件重参数化，直接计算条件与无条件预测之间的差异，从而实现对生成轨迹的平滑引导。该技术解决了传统分类器引导（Classifier-Guided Diffusion）中分类器训练成本高、推理慢及条件匹配困难等痛点，成为当前大模型高效推理的关键范式之一。

在现代计算架构与生成式 AI 生态中，无分类器引导技术扮演着连接高效推理与高质量生成的桥梁角色。它彻底改变了扩散模型的推理范式，使得模型无需在推理阶段加载庞大的分类器网络即可实现精准的条件控制。这一技术不仅大幅降低了推理延迟，还增强了模型对复杂条件（如文本、图像、深度等）的泛化能力，使其成为当前大语言模型（LLM）和图像生成模型（如 Stable Diffusion, DALL-E 3）实现实时交互与流式生成的核心技术基石。