【待完成】。。。
介绍
推理时引导的方法中，也可以分为分类器引导（CG）和无分类器引导（CFG）两大类，后者是现代扩散模型的主流。
原理
CFG 的核心逻辑正是通过结合这两次预测的结果来增强条件信号的影响力。其常用公式为：
噪声预测 = 无条件预测 + 引导强度 × (条件预测 - 无条件预测)
其中，(条件预测 - 无条件预测) 代表了提示词让模型产生的“偏移量”，引导系数大于1时，就相当于把这个偏移量放大，逼迫模型更朝着符合提示词的方向生成。
局限与加速方案
因为每一步都需要计算两次，CFG 的主要代价就是高昂的计算成本和推理时间，这也使得整体推理速度几乎减半。
针对这一问题，目前有以下几种优化思路：
- 自适应引导（如 Step AG）：研究发现，在去噪过程的后期（信噪比较高时），条件预测和无条件预测的方向趋于一致，CFG的作用减弱。因此，Step AG 策略仅在去噪过程的前 30%~50% 步骤中应用两次前向传播的 CFG，后半程仅做单次条件预测，这样能在质量基本不降的情况下节省 20%~30% 的推理时间。
- CFG 蒸馏：将使用了 CFG 的教师模型的结果直接蒸馏到一个新的学生模型中，并将引导强度作为嵌入输入新模型，这样在新模型推理时就不再需要两次前向传播，只需单次即可实现类似效果。
蒸馏
DMD 蒸馏全称为分布匹配蒸馏，是一种用于大幅加速扩散模型推理过程的技术。它的核心目标是将原本需要几十步甚至上百步迭代的扩散模型，转换成仅需单步或少步（如4步）即可生成高质量图像的快速生成器。
经过 DMD（分布匹配蒸馏）及其变体蒸馏后的模型，在推理时通常 不再需要CFG的两次前向传播 ，而是可以直接通过单次前向传播生成图像。
这主要得益于蒸馏过程将 CFG 的效果直接“烘焙”进了生成器中。