在科学与工程中，高维物理系统的优化面临评估成本高、约束复杂的难题。离线模型驱动优化（MBO）要求仅利用固定数据集，在测试时无法直接访问真实目标函数。现有方法往往保守、会过度利用未约束的代理模型，或仅作为静态推断采样器，无法针对精确的物理目标进行候选方案的细化。\ \ 本文提出 Differentiable Diffusion Conditioning (D2C)，利用确定性采样使逆去噪链对条件信号可微。通过冻结的条件扩散模型，D2C 在测试时直接对条件变量求梯度，梯度来源于冻结的代理目标和物理约束惩罚，并通过逆链反向传播。我们在提议器‑评估器框架中实现该思路，并在惯性约束聚变激光脉冲优化、可持续数据中心工作负载调度以及四个 Design‑Bench 任务上进行评估。实验表明，D2C 在两个真实任务上取得最强表现，并在四个 Design‑Bench 任务上获得最佳平均排名。\ \ 点评