---
title: "無分類器引導（Classifier-free Guidance）"
slug: classifier-free-guidance
language: zh-TW
source: https://aiterms.tw/terms/classifier-free-guidance
updated_at: 2026-06-22
tags: [生成式AI, 深度學習, 大型語言模型, 多模態]
ipas_term: false
---

# 無分類器引導（Classifier-free Guidance）

一種條件生成技術，不依賴外部分類器，通過在無條件生成過程中注入條件信息來控制生成結果，常用於文本到圖像等多模態任務。

## 完整說明

無分類器引導（Classifier-free Guidance）是一種用於控制生成模型輸出的技術，特別是在條件生成任務（如文本到圖像生成）中。傳統的引導方法使用一個分類器梯度來操縱生成過程，但這需要訓練額外的分類器。無分類器引導通過訓練單個模型同時生成條件和無條件樣本，然後在推理時混合兩者的預測。這種方法無需額外分類器，提高了靈活性，並在實踐中取得了更好的條件生成效果。無分類器引導已成為文本到圖像、文本到視頻等多模態生成任務的標準技術。

## 常見問題

### 無分類器引導中，引導權重應該設置為多少？

引導權重 w 的選擇是一個權衡多樣性和條件遵從性的過程。通常，w = 7.5 到 15 是一個合理的起點。較小的 w（如 3-5）產生更多樣的結果，但可能與條件描述的相關性較低。較大的 w（如 15-20）產生更符合條件的結果，但多樣性降低，有時甚至導致圖像質量下降（出現失真或不自然的視覺效果）。最優的 w 值取決於具體應用、模型訓練方式和用戶偏好。在實踐中，建議進行實驗找到最佳平衡點。許多應用允許用戶調整引導強度，從而自由選擇所需的多樣性-保真度權衡。

### 條件丟棄概率應該設置為多少？

條件丟棄概率是訓練無分類器引導模型的一個關鍵超參數。常見的設置範圍是 10-20%。例如，DALL-E 2 和 Stable Diffusion 使用約 10% 的丟棄概率。較低的丟棄概率（如 5%）意味著模型更多時候學習有條件生成，可能導致無條件生成能力較弱，進而限制了推理時的引導靈活性。較高的丟棄概率（如 30%）意味著模型經常進行無條件生成，可能削弱有條件生成的能力。在實踐中，10-15% 是一個好的折衷點，既確保了有條件和無條件生成的平衡學習，也不會過度浪費計算資源在無條件生成上。

### CFG 相比分類器引導有什麼優勢？

無分類器引導相比傳統分類器引導有幾個關鍵優勢。首先，CFG 不需要訓練額外的分類器，簡化了訓練流程和部署複雜度。訓練一個強大的分類器可能需要大量資源和時間，而 CFG 只需在同一生成模型中訓練。第二，CFG 的引導強度在推理時可以動態調整，而分類器引導通常在推理時固定。這使得 CFG 對不同應用場景更加靈活。第三，在實踐中，CFG 通常取得更好的生成質量和更強的條件控制。第四，CFG 避免了模式不匹配的問題（分類器和生成器可能對條件的理解不同）。這些優勢使得 CFG 已經成為現代條件生成模型的標準選擇。

---

來源：https://aiterms.tw/terms/classifier-free-guidance
快查頁：https://aiterms.tw/terms/classifier-free-guidance
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-classifier-free-guidance