CFG गाइडेंस स्केल स्टेबल डिफ्यूजन: प्रॉम्प्ट्स और आर्टिफैक्ट्स को कंट्रोल करें

मई 2026 तक CFG गाइडेंस स्केल स्टेबल डिफ्यूजन जैसे डिफ्यूजन मॉडल्स को नियंत्रित करने का सबसे सीधा तरीका बना हुआ है। यह तय करता है कि आउटपुट आपकी टेक्स्ट प्रॉम्प्ट से कितना चिपके या फिर अपनी खुद की कल्पनाओं में भटके। 1–3 के आसपास कम वैल्यू मॉडल को सांस लेने की जगह देती है। स्किन टेक्सचर नरम हो जाते हैं, पोज़ ज्यादा नैचुरल लगते हैं और लाइटिंग अनपेक्षित लेकिन अक्सर आकर्षक दिशाओं में जाती है। स्केल को ऊपर बढ़ाएं तो इरॉटिक प्रॉम्प्ट की हर डिटेल — हिप की कर्व, हाथ का सटीक एंगल — और भी कसकर लॉक हो जाती है। सच कहूं तो इंटिमेट सीन पर मैंने इस स्लाइडर के साथ जरूरत से ज्यादा समय बिताया है। ट्रेड-ऑफ जल्दी दिख जाता है: बहुत कम रखें तो इमेज आपकी आधी डिस्क्रिप्शन को नजरअंदाज कर देती है, बहुत ज्यादा रखें तो ओवरसैचुरेटेड कलर्स या विकृत प्रोपोर्शन दिखने लगते हैं।

यह मैकेनिज्म ट्रेनिंग के दौरान शुरू होता है। मॉडल प्रॉम्प्ट के साथ और बिना प्रॉम्प्ट के दोनों तरह से नॉइज प्रेडिक्ट करना सीखता है, कंडीशनिंग को रैंडमली ड्रॉप करके। सैंपलिंग टाइम पर यह दोनों प्रेडिक्शन को सरल लीनियर एक्सट्रपोलेशन से जोड़ता है। फॉर्मूला है: फाइनल प्रेडिक्शन = अनकंडीशनल + स्केल × (कंडीशनल − अनकंडीशनल)। जब स्केल 1 पर होता है तो प्रॉम्प्ट टर्म पूरी तरह गायब हो जाता है और शुद्ध अनकंडीशनल जेनरेशन मिलता है। स्केल बढ़ाने पर प्रॉम्प्ट का प्रभाव एक्सपोनेंशियल तरीके से बढ़ता है। ज्यादातर एनालिस्ट इस हिस्से को छोड़ देते हैं, लेकिन एक्सट्रपोलेशन को समझने से ही पता चलता है कि स्लाइडर में छोटे बदलाव एनाटॉमी एक्यूरेसी और लाइटिंग कंसिस्टेंसी में इतने बड़े अंतर क्यों लाते हैं।

रियलिस्टिक NSFW काम के लिए मीठा स्पॉट आमतौर पर 4 से 6 के बीच रहता है। बॉडी प्रोपोर्शनेट रहती है, स्किन पर विश्वसनीय सबसर्फेस स्कैटरिंग दिखती है और पोज़ अनुरोधित इंटिमेसी को बिना सख्त हुए मानते हैं। 10 से ऊपर जाने पर मॉडल प्रॉम्प्ट के हर एडजेक्टिव का पालन करता है, लेकिन हाइलाइट्स ब्लो आउट हो जाते हैं और कभी-कभी लिम्ब्स ऐसे स्ट्रेच हो जाते हैं कि इल्यूजन टूट जाता है। क्लोज-अप कंपोजिशन सबसे पहले प्रभावित होते हैं। CFG गाइडेंस मैकेनिक्स को समझना ही अगली पीढ़ी के इमेज-टू-वीडियो टूल्स को हाइपर-रियलिस्टिक, प्रॉम्प्ट-फेथफुल एडल्ट सीन बनाने में मदद करता है जिनमें लाइटिंग, एनाटॉमी और मोशन कंट्रोलेबल होते हैं। CFG गाइडेंस स्केल: एडल्ट AI डिफ्यूजन में प्रिसीजन कंट्रोल में बताया गया है कि मोशन शामिल होने पर भी यही सिद्धांत कैसे आगे बढ़ते हैं।

SD 1.5 अभी भी शार्प रिजल्ट के लिए 7–12 पसंद करता है, हालांकि मॉडर्न शेड्यूलर आपको कुछ पॉइंट्स कम करने देते हैं बिना फिडेलिटी खोए। SDXL 5–8 पर आराम से काम करता है। Flux और SD 3.5 को 3–5 की कम रेंज सबसे अच्छी लगती है क्योंकि उनकी ट्रेनिंग में पहले से ही मजबूत प्रॉम्प्ट अडहेरेंस शामिल है। ज्यादा CFG वैल्यू सैंपलिंग स्टेप्स की संख्या से भी इंटरैक्ट करती हैं। 20 स्टेप्स पर स्केल 8 साफ दिख सकता है; 50 स्टेप्स पर उसी वैल्यू को ओवर-शार्पनिंग से बचाने के लिए अक्सर कम करना पड़ता है। वीडियो पाइपलाइंस इन अंतरों को और बढ़ा देती हैं क्योंकि हर फ्रेम को सीक्वेंस में कोहेरेंट रहना होता है। हां, मुझे पता है यह कैसा लगता है, लेकिन डेटा दर्जनों टेस्ट रेंडर पर इसे साबित करता है।