文本条件是如何引导扩散模型生成的？

1. 文本编码器将提示转为向量

文本到图像模型首先用文本编码器把提示词转换为高维向量序列。常用编码器为 CLIP 的文本塔，它通过对比学习在海量图文对上训练，能将语义相近的文字与图像映射到接近的空间；部分模型也采用 T5 等纯语言模型作为编码器。

2. 交叉注意力注入去噪过程

文本向量通过 U-Net 或 Transformer 中的交叉注意力层注入去噪过程。在每一步去噪时，图像特征作为查询，文本向量作为键和值，使生成过程受到语义约束，从而让"金毛犬穿宇航服"这类描述真正引导噪声向对应图像收敛。

3. 无分类器引导强化对齐

Classifier-Free Guidance（CFG）是当前条件生成的标准手段。训练时随机丢弃文本条件，使模型同时学会条件生成与无条件生成；推理时将两者预测按引导尺度 w 加权组合，放大文本条件的影响。w = 1 表示无引导，常用范围为 7～12，w 越大图像越贴合描述但多样性有所下降。