CFG Scale (шкала classifier-free guidance)

CFG scale, то есть шкала classifier-free guidance, — параметр диффузионной генерации изображений, задающий, насколько сильно результат подталкивается к соответствию вашему текстовому промпту, а не к безусловному распределению, которое модель порождает без всякого промпта. Механически это работает через экстраполяцию между двумя предсказаниями шума на каждом шаге шумоподавления — одно сделано с промптом, другое без него, — а значение шкалы определяет, насколько далеко за условное предсказание модель уходит. Поэтому параметр ведёт себя как регулятор верности промпту, а не как регулятор качества. Поднимите его — изображение следует описанию буквальнее; опустите — картинка выглядит естественнее, но уплывает от того, что вы просили. Ловушка в допущении, будто выше означает просто лучшее следование промпту и ничего не стоит. Это не так: очень высокие значения CFG регулярно дают пересыщенный цвет, жёсткий контраст, заметные артефакты и характерный «пережаренный» вид вместе с падением реалистичности, а очень низкие тихо теряют отдельные элементы промпта целиком. Рабочий диапазон к тому же не универсален, а специфичен для модели: модели семейства SDXL обычно гоняют где-то в середине однозначных значений, тогда как дистиллированные варианты turbo-класса рассчитаны на значение направляющей около единицы и ведут себя плохо, если скормить им настройки, подходящие обычной модели. Новые архитектуры усложняют картину ещё сильнее: часть дистиллированных и flow-matching моделей фактически запекает направляющую внутрь и не выставляет наружу привычный ползунок CFG, вовсе в нём не нуждаясь, — поэтому пресет, скопированный с одного поколения моделей на другое, служит частой причиной необъяснимых просадок качества. На стоимость генерации CFG напрямую не влияет: платите вы поштучно в любом случае, так что на кону только характер вывода. Разработчикам, отдающим генерацию изображений пользователю, разумно зафиксировать вменяемое значение для каждой модели за кулисами и выносить наружу не сырое число, а несколько именованных пресетов — правильный диапазон смещается всякий раз, когда вы меняете модель под капотом. Полезный способ рассуждать об этом параметре — помнить, что он выполняет экстраполяцию, а не выбор. Модель не выбирает между двумя вариантами изображения, взвешивая их; она уходит за предсказание, обусловленное промптом, в сторону от безусловного, — а уход за предсказание как раз и относится к операциям, которые какое-то время ведут себя прилично, а потом перестают. Поэтому качество не деградирует плавно по мере роста значения: сначала картинка выглядит всё более приверженной промпту, затем пересекает порог и выглядит сломанной, причём переход укладывается в довольно узкий диапазон. Тот же механизм объясняет, почему с параметром взаимодействуют негативные промпты: негативный промпт подменяет безусловное предсказание тем, что обусловлено вещами, которых вы хотите избежать, — и повышение CFG усиливает отталкивание в том числе и от этих терминов, так что высокая шкала вместе с тяжёлым негативным промптом искажает изображение не хуже одной лишь высокой шкалы. Настраивая, фиксируйте seed, промпт и число шагов и двигайте только значение направляющей: иначе изменение будет не к чему привязать.