12 KiB
id, title, category, status, canonical_id, aliases, duplicate_of, source_trust_level, confidence_score, tags, raw_sources, last_reinforced, github_commit, inferred_by
| id | title | category | status | canonical_id | aliases | duplicate_of | source_trust_level | confidence_score | tags | raw_sources | last_reinforced | github_commit | inferred_by | ||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| wiki-2026-0508-cfg-scale | CFG Scale | 10_Wiki/Topics | needs_review | self | none | A | 0.92 |
|
2026-05-08 | pending | Claude Opus 4.7 (auto-normalize 2026-05-08) |
CFG Scale
📌 한 줄 통찰 (The Karpathy Summary)
CFG Scale(Classifier-Free Guidance Scale)은 Stable Diffusion과 같은 AI 이미지 생성 모델에서 결과물이 사용자의 텍스트 프롬프트를 얼마나 강하게 따를지를 제어하는 매개변수이다 [1, 2]. CFG Scale 값을 조절함으로써 이미지의 가변성(variability)을 부여하거나 사실성을 미세 조정할 수 있다 [2, 3]. 이 수치가 높아지면 모델이 프롬프트를 더 엄격하게 준수하지만, 동시에 부정 프롬프트(Negative prompt)의 영향력도 함께 커지게 된다 [1, 4].
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].
스테이블 디퓨전에서 CFG Scale(Classifier-Free Guidance Scale)은 인공지능 모델이 긍정 및 부정 프롬프트의 지시를 얼마나 강력하게 따를지 결정하는 안내의 강도(Intensity of guidance)를 의미합니다 [1, 2]. 가중치(Weight) 제어는 프롬프트 내 특정 단어나 구문의 중요도를 숫자로 지정하여 모델의 주의를 끌거나 축소하는 세밀한 시각적 통제 기법입니다 [3, 4]. 이 두 가지 요소를 최적의 수치로 조절하면 의도한 구도를 정확히 구현하면서도 이미지 아티팩트나 품질 저하를 방지할 수 있습니다 [5, 6].
📖 구조화된 지식 (Synthesized Content)
- 프롬프트 지시의 강도 조절: CFG Scale은 긍정 프롬프트(목표)와 부정 프롬프트(회피 맵)의 조건화를 모델이 얼마나 적극적으로 따를지(intensity of guidance)를 결정하는 역할을 한다 [4]. 일반적으로 7에서 15 사이의 수치가 사용되며, 이 값이 높을수록 생성된 이미지가 사용자의 프롬프트 지시를 더 엄격하게 따른다 [1].
- 결과물의 다양성 및 사실성 제어: 사용자는 샘플링 단계(sampling steps)와 함께 CFG Scale을 조절하여 AI 생성 결과물에 다양성(variability)을 도입할 수 있다 [2]. 또한, 이 매개변수를 적절히 미세 조정(fine-tuning)하는 것은 AI 생성 예술의 사실성을 향상시키는 필수적인 과정 중 하나이다 [3].
- 부정 프롬프트(Negative Prompt)와의 상호작용: CFG Scale은 부정 프롬프트가 이미지에 미치는 중요도를 변화시킨다 [4]. 이미지 생성 과정 중 샘플러(sampler)가 긍정 조건과 부정 조건을 균형 있게 맞추게 되는데, CFG Scale이 높아지면 이 두 조건 모두에 대한 준수 성향이 강해진다 [4]. 따라서 용어 선택이 부적절한 약한 부정 프롬프트를 사용한 상태에서 단순히 CFG Scale 수치만 높인다고 결과가 똑똑해지는 것은 아니며, 오히려 모델이 잘못된 지시를 더 강한 확신을 가지고 따르게 만들 수 있다 [4].
-
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].
-
CFG Scale (Classifier-Free Guidance Scale)의 메커니즘
- CFG Scale은 긍정 프롬프트(목표)와 부정 프롬프트(회피 영역)가 함께 인코딩될 때, 샘플러(Sampler)가 이 조건들을 얼마나 적극적으로 따라야 하는지를 결정하는 지표입니다 [1, 2].
- 단순히 CFG Scale을 높인다고 해서 이미지가 지능적으로 변하는 것은 아니며, 오히려 프롬프트가 부실할 경우 잘못된 지시 사항을 더 강력하게 고수하게 만들 수 있습니다 [1].
- 현실성 높은 결과물 등 고품질의 이미지를 생성하려면 샘플링 스텝(Sampling steps)과 함께 CFG Scale을 모델에 맞게 미세 조정(Fine-tuning)해야 합니다 [6].
-
프롬프트 가중치(Prompt Weights) 제어 방법
- 프롬프트 단어의 기본 가중치는 1입니다 [3]. 가중치 구문을 사용하면 특정 대상의 비중을 상대적으로 늘리거나 줄일 수 있습니다 [3, 7].
(keyword:factor)형태의 문법을 사용하여 단어의 중요도를 숫자로 명시할 수 있습니다. 1보다 큰 숫자(예: 1.12)를 부여하면 해당 요소가 강조되고, 1보다 작은 숫자(예: 0.10.9)를 부여하면 축소됩니다 [3, 4, 7].- 파서(Parser)나 인터페이스에 따라 괄호와 기호를 이용하는 방식도 지원됩니다. 단어를
()로 묶으면 1.1배 강조되며,+기호를 덧붙일 때마다 지수 배수로 가중치가 증가합니다(예:+는 1.1,++는1.1^2). 반대로-기호는 0.9의 배수로 영향력을 줄입니다 [4, 8]. - 두 개 이상의 단어로 이루어진 복합 구문에 가중치를 적용할 때는 반드시 괄호로 묶어야 합니다(예:
(holding a beer:1.3)) [8, 9].
-
부정 프롬프트(Negative Prompts)에서의 가중치 활용
- 가중치 제어는 긍정 프롬프트뿐만 아니라 부정 프롬프트에도 적용할 수 있습니다. 부정 프롬프트 내에
(blurry:1.5)나(deformed:1.2)처럼 가중치를 주어 입력하면, 샘플러가 해당 오류 개념을 피하는 데 훨씬 더 많은 주의를 기울이게 됩니다 [10, 11]. - 주의할 점은 0 미만의 '음수 가중치'를 입력하는 것은 예기치 않은 기괴한 결과(Twilight Zone)를 초래하므로 권장되지 않는다는 것입니다. 원치 않는 요소를 제거하려면 음수 가중치 대신 부정 프롬프트 란에 요소를 기입하고 양수 가중치로 억제력을 높이는 것이 올바른 방법입니다 [7, 9].
- 가중치 제어는 긍정 프롬프트뿐만 아니라 부정 프롬프트에도 적용할 수 있습니다. 부정 프롬프트 내에
-
가중치 제어 시 주의사항 및 모범 사례
- 가중치를 극단적으로 높게 설정(예: 2.0 이상)하면 프롬프트 균형이 깨져 렌더링이 망가질 수 있습니다 [3, 12].
- 여러 개의 시각적 개념(예: 두 가지 이상의 LoRA)이 강하게 충돌할 경우 파란색 아티팩트(Blue artifacts)가 발생하거나 노이즈가 생길 수 있습니다 [5, 13].
- 문제를 예방하기 위해서는 가중치를 0.5에서 0.7 사이의 적당한 수준(Modest weights)으로 조심스럽게 사용하는 것이 안전하며, 점진적으로 수치를 조정하는 것이 권장됩니다 [7, 11, 13].
⚠️ 모순 및 업데이트 (Contradictions & Updates)
No trade-offs available.
🔗 지식 연결 (Graph)
- Related Topics: Stable Diffusion, Negative Prompt, 샘플링 스텝 (Sampling Steps), Parameter
- Projects/Contexts: 스테이블 디퓨전(Stable Diffusion) 기반의 이미지 다양성 및 사실성 제어 워크플로우
- Contradictions/Notes: CFG Scale 수치를 높이는 것이 무조건적인 이미지 품질 향상을 보장하지 않는다. 부정 프롬프트가 부실하게 작성된 경우, CFG Scale을 높이면 오히려 잘못된 지시사항을 모델이 더 강하게 확신하고 따르게 되어 결과물이 훼손될 수 있다 [4].
Last updated: 2026-04-30
- Related Topics:
[[긍정 프롬프트 (Positive Prompt)|긍정 프롬프트 (Positive Prompt)]],[[부정 프롬프트 (Negative Prompt)|부정 프롬프트 (Negative Prompt)]],[[샘플링 스텝 (Sampling Steps)|샘플링 스텝 (Sampling Steps)]],[[Stable Diffusion|Stable Diffusion]] - Projects/Contexts:
[[AI 이미지 생성 (AI Image Generation)|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
- Related Topics: Negative Prompt, Prompt Engineering, Stable Diffusion
- Projects/Contexts: AI 이미지 생성 워크플로우
- Contradictions/Notes: 프롬프트 가중치를 조절하는 구문은 사용하는 UI나 모델 파서(Parser)에 따라 다르게 해석될 수 있습니다. 일부 오픈소스 인터페이스에서는
()로 강조하고[]로 축소하는 문법을 사용하지만, 시스템에 따라 이는 단순한 괄호 문자로 인식되거나 무시될 수 있으므로 해당 툴의 권장 문법(예:+/-기호 및 숫자 직접 입력)을 확인하여 사용해야 합니다 [9, 14, 15].
Last updated: 2026-04-30
🤖 LLM 활용 힌트 (How to Use This Knowledge)
언제 이 지식을 쓰는가:
- (TODO)
언제 쓰면 안 되는가:
- (TODO)
🧪 검증 상태 (Validation)
- 정보 상태: needs_review
- 출처 신뢰도: A
- 검토 이유: (P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)
🧬 중복 검사 (Duplicate Check)
- 기존 유사 문서: (TODO: 인덱서 클러스터 리포트 참조)
- 처리 방식: UPDATE (자동 정규화)
- 처리 이유: Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
🕓 변경 이력 (Changelog)
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|---|---|---|---|
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |