# EpiWorld流行病政策智能体框架

防疫干预是文本政策，但普通大模型缺少推演干预后果的流行病动力学、判断严重度的监测信号，以及界定可行动作的机构约束。EpiWorld把LLM政策智能体接到一个以动作为条件的流行病世界模型上，用反事实推演筛选候选干预，并把推演结果沉淀为可复用的经验条目。在回顾性新冠与流感数据上，完整配置相对历史参考政策把8周累计住院降低59.3%（真实美国Omicron），六个LLM骨干平均约降16%。

防疫干预是文本政策，但普通大模型缺少推演干预后果的流行病动力学、判断严重度的监测信号，以及界定可行动作的机构约束。EpiWorld把LLM政策智能体接到一个以动作为条件的流行病世界模型上，用反事实推演筛选候选干预，并把推演结果沉淀为可复用的经验条目。在回顾性新冠与流感数据上，完整配置相对历史参考政策把8周累计住院降低59.3%（真实美国Omicron），六个LLM骨干平均约降16%。

EpiWorld 提出一个闭环框架，把 LLM 政策智能体锚定在可学习的、以干预为条件的流行病学世界模型和分层技能库（公共卫生协议、监测工具、事后分析积累的经验）上，世界模型预测区域疫情演化并支持快速反事实推演，为政策选择与修正提供反馈；在 COVID-19 与流感回溯数据上，该世界模型在分布外 Peak-MAE 上优于所有预测基线，闭环框架在多个数据集上把累计住院最多降低 59%、在六个 LLM 主干上平均降低约 16%，优于强化学习与最优控制基线。

EpiWorld 提出一个闭环框架，把 LLM 政策智能体锚定在可学习的、以干预为条件的流行病学世界模型和分层技能库（公共卫生协议、监测工具、事后分析积累的经验）上，世界模型预测区域疫情演化并支持快速反事实推演，为政策选择与修正提供反馈；在 COVID-19 与流感回溯数据上，该世界模型在分布外 Peak-MAE 上优于所有预测基线，闭环框架在多个数据集上把累计住院最多降低 59%、在六个 LLM 主干上平均降低约 16%，优于强化学习与最优控制基线。