让 AI 算无分类器引导：系数大于一，为何结果越过条件预测
调整扩散模型的引导强度时，容易把它想成“无条件结果和有条件结果混合的比例”。但常用CFG系数大于1，已经是外推。让AI只算两维预测，可以看见结果为什么不必落在两份输入之间。
AI模型生成的概念插图：预测方向沿差异继续外推；箭头只表达方向变化，不对应正文的二维坐标，也不是生成效果截图。
先写当前采用的公式
固定同一个带噪输入和同一个时间步。假设无条件噪声预测u=(1,-1)，有条件噪声预测c=(3,0)。这两对数字是手工设定的模型输出，不是像素颜色、概率或原始干净图像。本例不使用额外rescale，也不执行后面的采样器更新。
采用Diffusers文档列出的常用形式g=u+s×(c-u)。先求差向量c-u=(2,1)，再乘引导系数s，最后加回u。两次预测必须针对同一输入和同一时间步；把不同步的结果相减，已经改变了这项操作的含义。
从中间插值走到外侧
当s=0时，g=(1,-1)，回到u；s=1时，g=(3,0)，正好是c；s=0.5时，g=(2,-0.5)，落在两者中间。到s=2，g=(1,-1)+2×(2,1)=(5,1)，两个分量都越过了c。
把公式展开成g=(1-s)u+s c更直观。s=2时，无条件项的系数为-1，有条件项为2。系数虽然仍相加为1，却不再都是非负数，所以它不是通常意义的加权平均，不能用“两份输入各占多少百分比”的直觉限制输出范围。
如果AI得到(4,0)，可能只是把c乘了2又误加其他量；如果得到(2,0.5)，则需检查减法方向。要求它保留u、c、c-u、s(c-u)、最终g五项，人工只需逐坐标检查两次加减和一次乘法。
同叫引导系数，零点可能不同
原论文及部分实现使用另一种写法g=c+w×(c-u)，也就是(1+w)c-wu。它与前式在s=w+1时相等。因此常用形式的s=2，对应原式w=1；若两边都填数字2，原式得到(7,2)，常用形式得到(5,1)，并不是同一强度。
核对工具参数时，先查它从u还是c开始加差向量。也可问清哪一个参数值对应纯条件预测：常用形式是1，原式是0。只看滑块名称或抄另一篇教程的默认数值，无法保证两套实现可比。实际管线还可能在某些参数范围跳过计算，应继续核对对应实现。
无分类器引导的关键，是组合条件与无条件预测，免去另一个独立分类器提供引导梯度；它不意味着模型没有训练条件信息。组合后的噪声预测还要交给采样器完成后续更新，不能把g直接当作最终生成图片。
更大的系数不保证更好的画面，文档也提示高引导可能损害质量；额外的重缩放和启停时段会进一步改变行为。本文只验证单步代数和参数约定，没有实际生成对照图，不能据这两个向量评判风格、清晰度或提示遵循程度。
资料核对日期：2026年10月2日。算例为原创教学设定，已用独立Python计算复核，不代表真实模型训练或性能测试。
