CFG 值（引导强度）

在每一步去噪时，扩散模型可以做两次预测：一次考虑你的提示词，一次忽略它。无分类器引导会观察这两者之间的差异，把画面朝提示词的方向推得更远。CFG 值就是这个推力的大小。在 0 或 1 时，提示词几乎没有额外的权重；5 到 8 左右，是许多模型记载的合理中间区间；而高得多的数值会夸大一切。

这种取舍在实践中很容易看到。数值低时，结果可能柔和、松散而富有创意，但可能忽略你描述的某些部分。数值高时，画面紧紧跟随你的措辞，但对比度和颜色往往变得生硬，质感像被烧焦，同样的几种形状反复出现。如果一幅灰色办公室里虚构人物的肖像看起来过饱和而脆硬，先试着调低这个值；如果要求的某个物体缺失了，就稍微调高一点，或者改写提示词。

合适的数值取决于模型，所以不要把一个模型的数字搬到另一个模型上。蒸馏模型和 Turbo 模型被训练成只需极少步数就能出结果，通常把引导直接融入了权重，期望的值是 1，或者根本没有这项设置。用固定的种子、只在两次尝试之间改变这个值，是最容易比较的做法。反向提示词通过同一个机制起作用，因为它正是无引导预测被推离的方向。

做一个小实验，效果就具体了：取一个提示词，比如窗台上的一只陶瓷茶壶，保持种子、模型和尺寸相同，在从低到相当高的几个数值上生成同一张图。在低的一端，茶壶可能梦幻而轮廓模糊，窗台也含混不清。在中间，形状清晰，光线看起来自然。在最高的一端，边缘锐利到发脆，高光烧掉，釉面带上塑料般的光泽。把这样一张对照表留下来，比任何经验法则都更快地告诉你，你用的每个模型适合哪个区间。

要把这个值和步数放在一起考虑：步数很少时用较高的值，画面可能显得粗糙；而适中的值配上足够的步数，通常能得到更平滑的渐变和更干净的边缘。

还要记住，采样器和分辨率也会与引导强度相互影响：在小正方形上看起来平衡的数值，放到大幅全景图上可能就显得过火，所以改动其中任何一项之后，都要重新测试。

NeverNo 没有提供 CFG 值的滑块。引导强度由服务器端为每个模型设定，调成该模型所期望的值，所以你不会因为用了适合另一个模型的数值而毁掉结果。你在工作室里的调节手段有：最多 1,500 个字符的描述、在支持的模型上最多 500 个字符的反向提示词、十五种风格预设中的一种，以及八种画幅比例中的一种。

默认模型 Z-Image Turbo 是一个快速的模型：一张典型的 100 万像素图片大约需要 3 秒（在我们的图片服务商 Runware 上测得），这与“现成设置”的思路相符。如果结果无视了你的措辞，就把提示词写得更精确，或者试试目录里的另一个模型。你创建的图片加密保存在浏览器里，NeverNo 的硬性界限适用于每一个请求。