이산 확산 모델 (Discrete Diffusion Models)을 이용한 제어 가능한 생성 (Controllable generation)은 종종 높은 계산 오버헤드나 재학습의 필요성으로 인해 어려움을 겪습니다. 본 논문에서는 사전 학습된 디노이징 네트워크 (Denoising network)를 변분 프록시 (Variational proxy)로 재사용하여 가이던스 신호 (Guidance signals)를 효율적으로 추정하는 플러그 앤 플레이 (Plug-and-play) 프레임워크인 Gradient-Informed Logit Correction (GILC)를 제안합니다. 고차원 이산 공간 (High-dimensional discrete spaces)에 내재된 그래디언트 불안정성 (Gradient instability)을 피하기 위해, 우리는 깨끗한 예측 로짓 (Clean prediction logits)을 직접 수정하여 안정적이고 효과적인 가이던스를 촉진하는 Jacobian-free 메커니즘을 도입합니다. 우리의 방법은 미분 가능한 (Differentiable) 보상 함수와 미분 불가능한 (Non-differentiable) 보상 함수를 모두 수용할 수 있습니다. DNA, 단백질 서열 (Protein sequence), 분자 생성 (Molecular generation) 작업에 걸친 광범위한 실험을 통해 GILC가 추가 학습 없이도 최첨단 (State-of-the-art) 성능을 달성하며, 빈번하게 미세 조정 (Fine-tuning) 접근 방식보다 뛰어난 성능을 보임을 입증합니다.