World Action Model（WAM）将驾驶策略与视觉世界模型合并为单一生成网络，训练后目标固定。若要适配新的驾驶目标，需要重新训练模型。本文提出 GuidedWAM，一种模型无关的框架，在采样阶段向冻结的 WAM 注入驾驶目标。框架将每个目标表示为对采样器中间干净动作估计的可微能量，只需对冻结模型进行前向调用。为保证稳定性，采用采样时的引导调度、每能量归一化以及速度限制的校正。实验在 NAVSIM v2 hard‑split 上进行，三种公开的冻结 WAM 在三个采样种子下的 EPDMS 提升 1.8~3.6，单步采样时间增加不足 10%。这些结果表明能量引导是 WAM 训练后实用的控制通道。
点评：GuidedWAM 通过最小化额外计算开销，实现了对已有模型的灵活再利用，为自动驾驶系统的快速迭代提供了可行路径。