# [[CFG 스케일 (CFG Scale)]]

## 📌 Brief Summary
CFG 스케일(Classifier-Free Guidance Scale)은 Stable Diffusion과 같은 AI 이미지 생성 모델에서 결과물이 사용자의 텍스트 프롬프트 지시를 얼마나 강하게 따를지 결정하는 매개변수이다 [1, 2]. 긍정 프롬프트를 생성의 목표로, 부정 프롬프트를 회피 영역으로 삼을 때, CFG 스케일은 이 조건부여(conditioning)에 대한 가이드의 강도(intensity)를 제어하는 역할을 한다 [1, 3]. 적절한 샘플링 스텝(Sampling steps)과 함께 CFG 스케일을 조정함으로써 생성 결과물의 사실성을 높이거나 결과물에 다양성을 부여할 수 있다 [2, 4].

## 📖 Core Content
* **개념 및 작동 메커니즘**: 
  CFG 스케일은 Stable Diffusion에서 긍정적 프롬프트와 부정적 프롬프트의 조건 부여(conditioning)가 샘플러(sampler)를 통해 균형을 맞출 때 적용되는 값이다 [1]. 이 수치는 모델이 사용자의 텍스트 입력 조건에 얼마나 적극적으로(aggressively) 맞춰서 이미지를 생성할지 그 반영 정도를 결정한다 [1]. 사용자는 이 값을 조절함으로써 출력물에 변동성(variability)을 도입할 수 있다 [2].

* **개념적 멘탈 모델 (Mental Model)**: 
  성공적인 이미지 생성 구조에서 긍정 프롬프트를 '목표(Target)'로, 부정 프롬프트를 '회피 지도(Avoidance map)'로 비유할 수 있으며, 이 체계 안에서 CFG 스케일은 모델을 이끄는 '가이드의 강도(Intensity of guidance)'로 기능한다 [3].

* **사실성 및 품질 최적화**: 
  AI가 생성한 아트의 사실성(realism)을 높이고 고품질 결과를 얻으려면 CFG 스케일과 샘플링 스텝(sampling steps)과 같은 매개변수를 적절히 미세 조정(fine-tuning)해야 한다 [4]. 

* **설정 시 주의사항 및 한계**: 
  단순히 CFG 스케일 값을 높인다고 해서 이미지 품질이 지능적으로 향상되는 것은 아니다. 만약 잘못된 단어 선택으로 구성된 빈약한 부정 프롬프트를 작성한 상태에서 CFG 스케일만 높일 경우, 모델이 그 잘못된 지시사항을 더 강한 확신을 갖고(more confidently) 따르게 되는 역효과가 발생할 수 있다 [1].

## 🔗 Knowledge Connections
- **Related Topics:** `[[긍정 프롬프트 (Positive Prompt)]]`, `[[부정 프롬프트 (Negative Prompt)]]`, `[[샘플링 스텝 (Sampling Steps)]]`, `[[Stable Diffusion]]`
- **Projects/Contexts:** `[[AI 이미지 생성 (AI Image Generation)]]`
- **Contradictions/Notes:** 소스는 CFG 스케일을 높이는 것이 프롬프트의 질적 부족함을 보완해주지 않는다고 경고한다. 프롬프트의 용어 선택이 좋지 않은 상태에서 CFG 수치만 올리면, 모델이 나쁜 지침을 더 강하게 따르게 되어 결과가 훼손될 수 있다 [1].

---
*Last updated: 2026-04-30*