classifier（分类器）是一类把输入数据映射到预定义类别的模型，是机器学习中最基础也最常见的一类组件。它既可以是传统机器学习里的逻辑回归、SVM，也可以是当下的神经网络与大型语言模型微调后的分类头。在生成式 AI 快速演进的背景下，分类器并没有被边缘化，反而以判别器、路由器和内容审核模块等形式，重新回到工程实践的核心位置。
classifier 近期进展
近期围绕 classifier 的讨论，集中在扩散模型采样与生成质量控制上。arXiv 的一篇新工作提出 CACFG，用曲率约束来改进 CFG（无分类器引导）在高强度引导下的采样表现，目标是缓解过度引导带来的图像失真与多样性下降。这类方法说明，即便是纯生成任务，判别式的约束信号依然是稳定输出的关键手段。（CACFG：用曲率约束改进 CFG 高强度引导下的扩散采样）
与此同时，Hugging Face 创始人 Clement Delangue 提出，90% 的真实场景里 LLM API 并非最优选择，很多需求用专门的小模型或分类器就能更低成本、更低延迟地解决。这一观点把 classifier 重新推到架构选型的前台：并非所有任务都需要调用通用大模型，判别式方案在很多业务里性价比更高。（Hugging Face 创始人：90% 真实场景里 LLM API 并非最优选择）
在应用工具层，Dify 新增 Jev 模型用于问题分类。低代码平台把分类能力封装成可直接调用的节点，意味着 classifier 正从研究概念变成产品里的标准积木，帮助用户在对话入口处完成意图识别和路由。（Dify 新增 Jev 模型用于问题分类）
当前焦点与观察点
当前围绕 classifier 的焦点主要有三：一是它在大模型时代的定位，是作为独立小模型、路由层，还是作为大模型内部的判别头；二是成本与效果的平衡，专用分类器往往在延迟和费用上占优，但泛化到长尾类别时仍需依赖更强的语义理解；三是评测与可靠性，分类边界、置信度校准和分布外样本处理，仍是落地时最容易出问题的环节。
可以观察的方向是，生成与判别是否会进一步融合：扩散采样里的引导、Agent 系统中的意图路由、企业知识库的文档归类，本质上都在复用同一套分类思路。对开发者而言，是否引入 classifier，更多取决于任务是否边界清晰、数据是否充足，而不是它是否足够新潮。