企业官网建设流程全解析

1. 项目概述：当CFG引导在条件生成中“失灵”时，我们如何破局？

如果你玩过Stable Diffusion这类扩散模型，一定对那个神奇的“CFG Scale”（Classifier-Free Guidance Scale，分类器自由引导尺度）滑块不陌生。把它拉高，生成的图像就更能贴合你的文本提示词，但拉到某个临界点，画面就开始变得饱和、失真，甚至出现诡异的伪影。这个现象在学术界和工业界被称为“CFG过引导”问题。尤其在复杂的条件生成任务中——比如根据精细的草图生成图像、根据特定属性编辑图片，或者多模态的文本到视频生成——这个问题尤为突出。CFG像一把双刃剑，用好了能精准控制，用过了就会破坏生成质量。

CVPR 2026上提出的C²FG（Conditional Classifier-Free Guidance with Score Difference Analysis，基于分数差异分析的条件分类器自由引导）工作，正是为了系统性地解决这个痛点。它不是一个简单的“调参技巧”，而是从扩散模型生成的根本原理——分数函数（Score Function）——入手，提出了一套全新的分析框架和引导策略。简单来说，C²FG的核心思想是：与其用一个固定的、全局的尺度去粗暴地放大条件与无条件分数之间的差异，不如动态地、局部地分析这个差异本身，并据此施加更精细、更自适应的引导。这就像从“统一音量”的广播，升级到了能根据每个乐器音色独立调音的混音台。

这项工作的价值，远不止于让Stable Diffusion的出图更“好看”。它触及了可控生成（Controllable Generation）的核心难题：如何在满足复杂、多样的约束条件（文本、草图、姿态、语义分割图等）的同时，保持生成内容的高保真度和自然度。对于从事AIGC应用开发、计算机视觉研究，乃至需要利用扩散模型进行科学仿真的工程师和研究员来说，理解C²FG意味着掌握了一种更高级的“控制权”。它让我们能更可靠地将人类的创意和先验知识，“注入”到AI的生成过程中。

2. 核心思路拆解：从“蛮力放大”到“智能分析”

要理解C²FG的妙处，我们必须先回到CFG为什么有效，以及为什么会失效。

2.1 CFG的经典公式与它的“阿喀琉斯之踵”

在标准的分类器自由引导中，用于采样的条件分数 $\nabla \log p_t(x|c)$ 是通过以下方式合成的： $$\hat{\epsilon}(x_t, c, t) = \epsilon_\theta(x_t, \emptyset, t) + \gamma \cdot (\epsilon_\theta(x_t, c, t) - \epsilon_\theta(x_t, \emptyset, t))$$ 这里，$\epsilon_\theta(x_t, c, t)$ 是条件噪声预测，$\epsilon_\theta(x_t, \emptyset, t)$ 是无条件噪声预测，$\gamma$ 就是CFG尺度。这个公式可以等价地理解为对分数（即噪声的负方向）的操作：$\hat{s}(x_t, c, t) = s_\theta(x_t, \emptyset, t) + \gamma \cdot (s_\theta(x_t, c, t) - s_\theta(x_t, \emptyset, t))$。

它的工作原理是直观的：差值 $(s_\theta(x_t, c, t) - s_\theta(x_t, \emptyset, t))$ 代表了条件 $c$ 所带来的“信息增量”或“引导方向”。乘以 $\gamma$ 后，我们沿着这个方向走得更远，从而让生成结果更偏向条件 $c$。

但它的失效机制同样直接：这个差值向量，在不同的数据点 $x_t$、不同的时间步 $t$、不同的条件 $c$ 下，其幅度和方向的可信度是天差地别的。用一个固定的 $\gamma$ 去放大所有情况下的差值，必然会导致一些问题：

1. 幅度问题：在有些区域，无条件模型和条件模型本身的预测就很接近（差值小），这时即使放大，引导也温和。但在另一些区域，两者本就存在较大分歧（差值大），再强行放大，就会导致采样轨迹“脱轨”，走向数据分布中概率极低的区域，产生失真。
2. 方向问题：差值向量的方向并不总是“正确”的引导方向。尤其是在训练不充分、数据有偏，或者条件本身模糊的情况下，这个方向可能带有噪声甚至是误导性的。固定尺度的放大同样会放大这些错误。

这导致了我们在实践中观察到的典型现象：提高CFG，细节和符合度先提升后下降，画面逐渐变得对比度过高、纹理塑料感、出现高频噪声或语义错误。

2.2 C²FG的破局点：分数差异分析

C²FG的论文标题已经点明了核心：Score Difference Analysis。它不再将 $(s_\theta(x_t, c, t) - s_\theta(x_t, \emptyset, t))$ 视为一个需要被简单放大的整体，而是将其作为一个需要被“分析”的对象。

具体来说，C²FG引入了对分数差异的统计特性分析。它认为，一个“健康”、“可信”的引导方向，其分数差异应该满足某些性质。例如，在数据密度高的区域（即真实数据流形附近），条件与无条件分数的差异应该更稳定、更一致；而在密度低的区域，这种差异可能更随机、更不稳定。

基于这种洞察，C²FG设计了一个自适应权重函数$\alpha(x_t, c, t)$，来替代固定的 $\gamma$。新的引导分数变为： $$\hat{s}{C^2FG}(x_t, c, t) = s\theta(x_t, \emptyset, t) + \alpha(x_t, c, t) \cdot (s_\theta(x_t, c, t) - s_\theta(x_t, \emptyset, t))$$

这个 $\alpha(\cdot)$ 是如何计算的呢？论文的核心创新就在于这里。它通常基于对当前分数差异向量与某种“参考分布”或“预期模式”的比对。一种实现思路是，计算当前时间步、当前样本点处分数差异的范数（或某种置信度度量），并与一个在整个训练集或验证集上估计出的经验分布进行比较。如果当前差异的置信度高，则赋予较大的 $\alpha$；如果置信度低（可能是噪声或歧义点），则赋予较小的 $\alpha$，甚至进行裁剪。

注意：这里的“置信度”并非一个外部分类器给出，而是完全从扩散模型自身的两个输出（条件与无条件分数）中推导出来的，保持了“Classifier-Free”的特性。

2.3 与常见调参技巧的本质区别

你可能会想，这听起来有点像动态调整CFG尺度，或者像一些采样器（如DPM-Solver）内置的适应性机制。但C²FG有根本不同：

1. 原理驱动 vs. 启发式调整：很多工程技巧是启发式的，比如在采样后期降低CFG。C²FG的分析是基于分数匹配和扩散过程理论的，其权重 $\alpha$ 的调整有明确的统计解释。
2. 样本自适应 vs. 全局或时间表自适应：C²FG的 $\alpha$ 是$x_t$ 和 $c$ 的函数，意味着对于同一时间步、不同内容的潜变量，引导强度也不同。这实现了像素级或区域级的精细控制。而传统方法最多是时间步 $t$ 的函数。
3. 针对“差异质量” vs. 针对“生成阶段”：C²FG关注的是“当前这个引导方向好不好”，而很多方法关注的是“现在是早期还是晚期”。前者更直接地解决了CFG过引导的根源问题。

3. 核心细节解析与实操要点

理解了C²FG的思想，我们来看看如何将其实现，以及在实现中需要注意哪些关键细节。

3.1 分数差异分析的具体实现路径

论文中可能提出了几种实现分数差异分析的具体方法。这里我们探讨两种最有可能且易于理解的路径：

路径一：基于局部一致性的置信度估计这种方法的核心假设是：一个可靠的引导方向，在其局部邻域内应该是平滑、一致的。

1. 对于当前潜变量 $x_t$，我们可以通过向其中添加微量噪声，构造一组邻近样本 ${x_t^{(1)}, x_t^{(2)}, ..., x_t^{(k)}}$。
2. 分别计算这些邻近样本的条件与无条件分数差 $\delta^{(i)} = s_\theta(x_t^{(i)}, c, t) - s_\theta(x_t^{(i)}, \emptyset, t)$。
3. 分析这组 ${\delta^{(i)}}$ 的统计特性。例如，计算它们的方差。如果方差小，说明在这个小区域内，模型对条件 $c$ 的响应是稳定一致的，$\delta$ 可信度高。如果方差大，说明模型自身在这个区域都存在歧义或不稳定，$\delta$ 可信度低。
4. 设计权重函数，例如 $\alpha \propto \frac{1}{\text{Var}(\delta) + \epsilon}$，方差越小，权重越大。

路径二：基于先验分布的似然估计这种方法需要一定的离线计算。

1. 在训练集或一个干净的验证集上，进行多次无条件采样和条件采样，收集大量在不同时间步 $t$ 的分数差异样本 $\delta$。
2. 对这些 $\delta$ 进行建模，例如拟合一个高斯分布 $\mathcal{N}(\mu_t, \Sigma_t)$，或者估计其范数的分布 $p_t(|\delta|)$。这建立了“在时间步 $t$，一个典型的、健康的分数差异应该有多大”的先验知识。
3. 在生成时，对于当前的 $\delta_{current}$，计算其范数 $|\delta_{current}|$ 在该先验分布 $p_t$ 下的概率密度值或百分位数。
4. 如果当前差异的范数远大于先验分布的典型值（例如超过95%分位数），则认为它可能是异常放大，需要抑制，此时赋予较小的 $\alpha$。反之则赋予较大的 $\alpha$。权重函数可以设计为 $\alpha = \text{clip}( \frac{\text{percentile}^{-1}(p_t(|\delta_{current}|))}{\lambda}, 0, \gamma_{max})$，其中 $\lambda$ 是一个缩放因子，$\gamma_{max}$ 是最大允许尺度。

3.2 实操中的关键参数与调优

即使你直接使用论文开源的代码，理解以下几个关键参数对用好C²FG也至关重要：

1. 置信度估计的邻域半径：在路径一中，向 $x_t$ 添加噪声的幅度。太小了估计不准，太大了会偏离当前点真正的局部特性。这是一个需要微调的超参数，通常与当前噪声水平 $\sigma_t$ 相关联，例如设置为 $0.01 * \sigma_t$。
2. 先验分布的估计数据量：在路径二中，用于拟合先验分布 $p_t$ 的样本数量。样本越多，先验越可靠，但计算成本也越高。需要在准确性和效率间权衡。
3. 权重映射函数：如何将置信度度量（如方差倒数、百分位数）映射到最终的缩放因子 $\alpha$。常用的有线性映射、指数衰减映射等。这个函数决定了引导强度变化的“激进”程度。
4. 最小/最大引导尺度：即使置信度很低，我们可能仍希望保留一点引导（$\alpha_{min} > 0$）；即使置信度很高，也可能需要设置一个上限（$\alpha_{max}$）以防止极端情况。这两个值提供了安全边界。

实操心得：在初次尝试时，建议先采用路径二的简化版。固定一个中等CFG尺度（如7.5）生成一批图片，同时记录下每个采样步骤的分数差异范数 $|\delta|$。绘制其随时间步 $t$ 变化的曲线，观察其分布范围。然后，在正式使用C²FG时，将 $\alpha$ 设计为一个关于 $|\delta|$ 的简单函数，例如当 $|\delta|$ 超过你观察到的历史最大值80%时，开始线性衰减 $\alpha$。这种方法虽然粗糙，但能快速验证C²FG思想的有效性，并帮你建立直观感受。

3.3 与现有采样器的集成

C²FG是一个引导策略，它独立于具体的采样算法（DDPM, DDIM, DPM-Solver, UniPC等）。在代码实现上，它需要嵌入到采样循环中。伪代码逻辑如下：

def sample_with_c2fg(model, condition, sampler, steps): x_t = torch.randn(...) # 初始噪声 # 可能需要的预处理：加载或计算先验分布参数 for t in tqdm(reversed(range(steps))): # 1. 获取无条件噪声预测 eps_uncond = model(x_t, t, condition=None) # 2. 获取条件噪声预测 eps_cond = model(x_t, t, condition=condition) # 3. 计算原始分数差异 delta = eps_cond - eps_uncond # 4. C²FG核心：分析delta，计算自适应权重alpha alpha = compute_adaptive_weight(x_t, delta, t, condition) # 调用分析函数 # 5. 合成引导后的噪声预测 eps_guided = eps_uncond + alpha * delta # 6. 使用采样器更新x_t (例如DDIM更新) x_t = sampler.update(x_t, eps_guided, t) return decode(x_t)

你需要修改或封装你现有的采样函数，在计算得到eps_uncond和eps_cond后，插入步骤3-5。

4. 实操过程与核心环节实现

让我们以一个具体的场景为例：使用Stable Diffusion 1.5模型，结合C²FG思想，实现一个能生成更符合复杂文本提示且避免过饱和图像的脚本。我们将采用上述“路径二”的简化实现思路。

4.1 环境准备与模型加载

首先，确保你的环境有PyTorch和Diffusers库。

pip install torch diffusers transformers accelerate

然后，编写模型加载部分。为了同时获得条件与无条件预测，我们需要以两种方式调用模型。

import torch from diffusers import StableDiffusionPipeline, DDIMScheduler from PIL import Image # 加载预训练管道 model_id = "runwayml/stable-diffusion-v1-5" pipe = StableDiffusionPipeline.from_pretrained(model_id, torch_dtype=torch.float16) pipe.scheduler = DDIMScheduler.from_config(pipe.scheduler.config) pipe = pipe.to("cuda") pipe.enable_attention_slicing() # 节省显存 # 定义文本提示词 prompt = "A majestic eagle soaring over a snow-capped mountain at sunrise, highly detailed, photorealistic" negative_prompt = "blurry, low quality, distorted, oversaturated" # 负面提示词有助于进一步稳定生成

4.2 实现简化的C²FG权重计算器

我们实现一个基于“分数差异范数历史百分位数”的简单自适应权重计算器。这里我们假设我们已经通过前期实验，得到了每个时间步分数差异范数的大致分布（例如，中位数和某个高位百分位数）。在实际应用中，你可能需要先运行一批标准CFG生成来收集这些统计数据。

class SimpleC2FGWeightCalculator: """ 一个简化的C²FG权重计算器。 基于假设：分数差异的范数应当在一个合理范围内。 如果当前范数超过预设的“高阈值”，则降低引导权重。 """ def __init__(self, high_percentile_norm=15.0, max_scale=7.5, min_scale=1.0): """ Args: high_percentile_norm: 预先统计得到的分数差异L2范数的某个高百分位值（例如95%）。 当当前范数超过此值时，权重开始衰减。 max_scale: 最大引导尺度（对应置信度最高时）。 min_scale: 最小引导尺度（对应置信度最低时）。 """ self.high_norm = high_percentile_norm self.max_scale = max_scale self.min_scale = min_scale def compute_alpha(self, delta, current_norm): """ 计算自适应权重alpha。 Args: delta: 分数差异张量 (eps_cond - eps_uncond) current_norm: 当前分数差异的L2范数。 Returns: alpha: 自适应缩放因子。 """ # 计算当前范数与阈值的比率 ratio = current_norm / self.high_norm # 如果比率<=1，说明在正常范围，使用最大尺度 if ratio <= 1.0: alpha = self.max_scale else: # 如果超过阈值，则线性衰减到最小尺度 # 这里可以设计更复杂的衰减曲线，如指数衰减 decay = max(0.0, 2.0 - ratio) # 当ratio>=2时，衰减为0，但我们用min_scale兜底 alpha = self.min_scale + (self.max_scale - self.min_scale) * decay alpha = max(self.min_scale, min(self.max_scale, alpha)) # 裁剪到[min_scale, max_scale] return alpha # 初始化计算器，参数需要你根据实际模型和提示词类型进行校准 weight_calculator = SimpleC2FGWeightCalculator(high_percentile_norm=14.0, max_scale=9.0, min_scale=3.0)

4.3 修改采样循环以集成C²FG

我们将重写Diffusers库中的__call__方法核心部分，以集成我们的自适应引导逻辑。这里以DDIM采样器为例。

def custom_c2fg_sampling(pipe, prompt, negative_prompt, num_inference_steps=50, guidance_scale=7.5, seed=42): generator = torch.Generator(device="cuda").manual_seed(seed) height = width = 512 # 1. 准备文本嵌入 text_inputs = pipe.tokenizer( prompt, padding="max_length", max_length=pipe.tokenizer.model_max_length, truncation=True, return_tensors="pt", ) text_embeddings = pipe.text_encoder(text_inputs.input_ids.to(pipe.device))[0] # 同样处理负面提示词 uncond_input = pipe.tokenizer( negative_prompt, padding="max_length", max_length=pipe.tokenizer.model_max_length, truncation=True, return_tensors="pt", ) uncond_embeddings = pipe.text_encoder(uncond_input.input_ids.to(pipe.device))[0] # 拼接嵌入，用于批量处理 text_embeddings = torch.cat([uncond_embeddings, text_embeddings]) # 2. 初始化潜变量 latents = torch.randn( (1, pipe.unet.config.in_channels, height // 8, width // 8), generator=generator, device=pipe.device, dtype=text_embeddings.dtype, ) # 3. 设置采样器时间表 pipe.scheduler.set_timesteps(num_inference_steps, device=pipe.device) timesteps = pipe.scheduler.timesteps # 4. 采样循环 for i, t in enumerate(timesteps): # 扩展潜变量以进行批量推理（无条件，条件） latent_model_input = torch.cat([latents] * 2) latent_model_input = pipe.scheduler.scale_model_input(latent_model_input, t) # 预测噪声 with torch.no_grad(): noise_pred = pipe.unet(latent_model_input, t, encoder_hidden_states=text_embeddings).sample # 分离无条件与条件预测 noise_pred_uncond, noise_pred_text = noise_pred.chunk(2) # 计算原始分数差异 delta = noise_pred_text - noise_pred_uncond # 计算当前差异的范数（可以是在样本空间或通道空间上的范数，这里使用Frobenius范数简化的感知） # 我们计算每个样本的L2范数，然后取平均。保持形状为 (batch_size, ) current_norm = torch.norm(delta.view(delta.size(0), -1), dim=1).mean().item() # **C²FG核心：计算自适应权重** adaptive_scale = weight_calculator.compute_alpha(delta, current_norm) # 应用自适应引导 noise_pred_guided = noise_pred_uncond + adaptive_scale * delta # 使用调度器更新潜变量 latents = pipe.scheduler.step(noise_pred_guided, t, latents).prev_sample # 可选：打印或记录当前时间步的scale和norm，用于调试 if i % 10 == 0: print(f"Step {i}, t={t.item():.0f}, norm={current_norm:.2f}, adaptive_scale={adaptive_scale:.2f}") # 5. 解码图像 latents = 1 / pipe.vae.config.scaling_factor * latents with torch.no_grad(): image = pipe.vae.decode(latents).sample image = (image / 2 + 0.5).clamp(0, 1) image = image.cpu().permute(0, 2, 3, 1).float().numpy() image = (image[0] * 255).round().astype("uint8") return Image.fromarray(image) # 运行生成 result_image = custom_c2fg_sampling(pipe, prompt, negative_prompt, num_inference_steps=50, guidance_scale=7.5, seed=42) result_image.save("c2fg_generated_image.png")

4.4 效果对比与参数校准

运行上述脚本后，你需要与固定CFG尺度的结果进行对比。建议进行以下操作：

1. 基准测试：将SimpleC2FGWeightCalculator的high_percentile_norm设为一个极大值，max_scale和min_scale都设为同一个值（如7.5），这相当于退化回标准CFG。生成一张图片。
2. C²FG测试：使用校准过的参数（例如high_percentile_norm=14.0, max_scale=9.0, min_scale=3.0）生成图片。
3. 对比观察：重点观察以下方面：
   • 细节与饱和度：C²FG生成的图像在毛发、羽毛、雪山纹理等细节上是否更自然，色彩是否更柔和、避免过饱和？
   • 提示词遵循度：“majestic”、“at sunrise”等抽象或复杂概念是否依然得到良好体现？
   • 伪影：图像背景或平滑区域是否减少了不自然的高频噪声或结构性伪影？

参数校准是一个迭代过程：

• 如果结果依然过饱和，尝试降低high_percentile_norm或降低max_scale。这会让系统对“大差异”更早、更敏感地进行抑制。
• 如果结果变得过于平淡，提示词遵循度下降，尝试提高high_percentile_norm或提高min_scale。这给了模型更多“发挥”空间。
• max_scale可以设得比传统CFG稍高（如9.0），因为在C²FG机制下，当差异可信时，更强的引导能带来更好的贴合度；而当差异不可信时，min_scale会提供保护。

5. 常见问题与排查技巧实录

在实际实现和应用C²FG思想时，你可能会遇到以下典型问题。

5.1 生成结果不稳定，时好时坏

• 问题现象：使用相同的随机种子，C²FG生成的结果波动比标准CFG大。
• 可能原因：自适应权重 $\alpha$ 的计算引入了额外的随机性或对初始潜变量非常敏感。例如，在“路径一”（局部一致性估计）中，构造邻近样本的随机噪声会导致每次估计的置信度不同。
• 排查与解决：
  1. 检查随机性来源：确保除了潜变量初始化外，权重计算过程是确定的。如果使用了随机扰动，考虑固定其随机种子。
  2. 平滑权重：对计算出的 $\alpha_t$ 进行时间步上的平滑滤波（如指数移动平均），避免相邻时间步权重突变导致采样轨迹抖动。alpha_smoothed = beta * alpha_prev + (1-beta) * alpha_current。
  3. 切换到更稳定的分析路径：“路径二”（基于先验分布）通常比“路径一”更稳定，因为它依赖于离线统计，而非在线估计。优先实现和调试路径二。

5.2 计算开销明显增加

• 问题现象：生成速度比标准CFG慢很多。
• 可能原因：C²FG需要额外的前向传播来计算置信度。例如，路径一需要为每个样本点计算多次前向传播（用于邻近样本）。
• 排查与解决：
  1. 剖析性能：使用 profiling 工具（如PyTorch Profiler）确定瓶颈是在UNet的前向传播还是权重计算逻辑本身。
  2. 优化置信度估计：
     • 降低邻近样本数：在路径一中，将邻近样本数k从10减少到3或4，可能对估计精度影响不大，但能显著提速。
     • 稀疏时间步分析：不必在每个采样步都进行完整的分数差异分析。可以每隔3-5个步分析一次，中间步复用上一个分析步的权重或进行插值。
     • 使用轻量级代理：训练一个极小的网络（如两三层的MLP）来直接预测当前时间步、当前潜变量下的“理想CFG尺度”，用这个预测代替复杂的分析。这需要额外的训练数据，但推理极快。
  3. 利用缓存：如果使用路径二，确保先验分布的参数（如每个t的范数分布分位数）被预先计算并加载到内存中，避免在生成循环中重复计算。

5.3 对某些提示词效果不佳，甚至更差

• 问题现象：对于简单的提示词（如“a cat”），C²FG效果提升不明显；对于某些复杂提示词，反而丢失了关键元素。
• 可能原因：
  1. 先验分布不匹配：你使用的先验分布（high_percentile_norm）是基于某一类提示词（或无条件）统计的，与当前特定提示词的分数差异分布不匹配。
  2. 权重函数设计过于激进：min_scale设置过低，或衰减函数过于陡峭，导致在需要强引导的关键时刻（如定义主体内容时）引导被过度抑制。
• 排查与解决：
  1. 提示词分组建模：不要使用全局统一的先验。可以对提示词进行聚类（如物体、场景、风格），为每类提示词建立独立的先验分布。在推理时，根据当前提示词选择对应的先验。
  2. 动态调整最小尺度：将min_scale设计为与条件信息熵相关的函数。对于信息量大的提示词（描述具体），min_scale高一些；对于模糊的提示词，min_scale低一些。
  3. 引入负面提示词作为基线：标准CFG中，负面提示词已经是一种简单的自适应机制（它提供了一个“远离什么”的方向）。确保你的C²FG实现与负面提示词兼容。一种方式是将无条件预测eps_uncond替换为负面提示词的预测eps_neg，然后分析(eps_cond - eps_neg)的差异。

5.4 与某些采样器不兼容

• 问题现象：在DDIM上工作正常，换到DPM-Solver++或UniPC等高阶求解器时，效果异常或报错。
• 可能原因：高阶求解器可能对噪声预测的连续性、平滑性有更高要求。C²FG引入的动态权重 $\alpha$ 如果随时间步变化剧烈，可能会破坏求解器假设的平滑性，导致数值不稳定。
• 排查与解决：
  1. 强制平滑：如前所述，对 $\alpha$ 序列进行强平滑处理。
  2. 检查求解器输入：确保你传递给求解器step函数的是经过eps_uncond + alpha * delta合成后的最终噪声预测noise_pred_guided，而不是先合成分数再转换。不同求解器对输入格式的要求一致，但计算过程需严谨。
  3. 参考官方实现：关注C²FG论文作者或社区是否发布了与流行采样器（如diffusers库中StableDiffusionPipeline）直接集成的代码。他们的实现会处理好兼容性问题。

5.5 如何获取可靠的先验分布？

这是实现“路径二”C²FG的关键，也是一个常见的实操难点。

• 问题：没有现成的统计量，自己计算成本高。
• 解决方案：
  1. 小规模采样统计：你不需要在完整训练集上统计。选择一个有代表性的、包含不同复杂度提示词的小集合（50-100个）。关闭CFG（guidance_scale=1.0）和开启标准CFG（guidance_scale=7.5）各跑一遍。记录下每个时间步t、每个样本的||eps_cond - eps_uncond||。
  2. 分时间步聚合：对于每个时间步t，你将得到N个范数值。计算这个集合的中位数、75%分位数、90%分位数等。high_percentile_norm就可以取90%或95%分位数。你可以选择为所有时间步取一个全局值，或者为每个时间步存储一个值（更精细）。
  3. 存储与加载：将这些统计量（一个标量或一个长度为num_timesteps的向量）保存为JSON或NPY文件。在生成脚本开始时加载它们。
  4. 注意条件影响：上述统计是在“平均”提示词上进行的。对于极端特殊的提示词，分布可能有偏移。因此，在实际应用中，high_percentile_norm应被视为一个需要微调的超参数，上述统计值作为初始值。

最后，我个人在实际探索中的体会是，C²FG代表了一种思维转变：从追求“更强的控制”到追求“更聪明的控制”。它迫使我们去深入理解扩散模型内部分数函数的动态特性，而不是仅仅将其视为黑箱。虽然完整的C²FG实现有一定复杂度，但即使只是将其核心思想——监控分数差异的幅度并做出反应——融入你的生成流程，也能带来肉眼可见的改善。你可以从最简单的“如果差异范数超过阈值X，则将CFG尺度线性降低到Y”开始尝试，这已经是一个有效的、自适应的稳定策略。随着理解的深入，再逐步引入更精细的置信度估计和权重映射机制。这个从简到繁的过程，本身也是对扩散模型可控生成原理的一次绝佳学习。