无分类器引导的作用与取值边界

无分类器引导并不是“让提示词更重要”的简单开关，而是在采样时放大条件信息对去噪方向的影响。模型同时参考带条件与不带条件的预测：前者回答“遵循这段文本时应如何去噪”，后者保留更宽松的图像先验。引导强度越高，两者差异被放大，生成结果通常越贴近提示词中的主体、属性和构图要求。

它的价值在于解决条件信号不够明确的问题。较低取值时，图像可能更自然、多样，但对文本的服从度有限；适度提高后，主体特征和语义关联会更集中。对文本生成图像而言，这种调节尤其适合处理“画面大致合理，却没有按描述呈现”的情况。

取值不是越大越好

过高的引导会把模型推向过于狭窄的去噪方向。表面上看，提示词中的元素似乎更“听话”，但常见代价是细节重复、纹理生硬、局部结构不自然，甚至让画面失去原本的协调性。原始资料中提到，5 到 7 可作为起点；这不是通用最优答案，却适合先建立观察基线。

实际调整时，不宜只挑一张最好看的结果判断。应在相同提示词、相同采样设置下生成多幅样本，观察三个问题：主体是否稳定出现，细节是否开始机械重复，整体画面是否仍然自然。若语义不足，逐步提高；若已出现僵硬、堆叠或不合理边缘，则应回退。

无分类器引导本质上是在“服从条件”和“保留生成自由度”之间取平衡。它无法修复杂乱的数据、失配的采样器或不合理的步数配置；当输出异常时，先确认这些基础环节，再讨论引导强度，通常比一味加大取值更有效。