应用科学：CWM 在公共卫生与气候领域完成科学循环——并与公认基线对照

一个世界模型，唯有直面真实世界，才配得上这个名称——面对不完整的数据、漫长的序列，以及没有漂亮答案的问题。v0.10.6 版本将 Camile World Model 的世界科学家能力——此前专注于气候与金融——带入两个全新的真实领域：巴西五个首府城市的流行病学监测（登革热，每座城市 873 周公开数据），以及 1998 年至 2026 年巴西的火灾热点。

在每一个循环中，模型走完了完整的科学路径：提出问题，逐步冒险预测——始终不窥见未来——并在数据不支持假设时接受反驳。它还在完全相同的滚动前向验证条件下，将自身预测与公认的时间序列预测方法进行对比，并公开了相关数据。

CWM 的科学循环——提问、预测、证伪——现已同样运行于流行病学与火灾数据，将能力泛化至原有领域之外。

模型获得了跨数据集的信念记忆：在一座城市被反驳的假设，抵达下一座城市时已携带所学——被推翻的不会像什么都没发生一样重新出现。

已公开发布一场开放竞技场中的对比，与公认的预测方法（工业界广泛使用的季节性模型类别）较量，所有方法在相同测试条件下进行。

处理公共卫生、气候或环境风险序列的组织，获得的不仅是一个预测工具——它能够记录自身信念如何形成与修正，以及在哪些方面其预测优于（或不优于）传统方法。

研究人员与数据团队可以复现完整的循环：每一项结果都附带其验证记录。

人工智能市场上充斥着承诺，却鲜有开放科学。本版本选择了更艰难的道路：真实的问题、可审计的公开数据、与既有方法的诚实对比，以及结果的公开发表——包括那些未能印证预期的结果。世界智能正是以此成为影响人们决策的可信基础设施：方法可见、边界明确、验证人人可及。

在实践中，卫生机构可以要求模型解读某市的数据序列，得到的不仅是预测，还有该类问题被测试过多少次、哪些得到确认、哪些遭到反驳的历史记录。环境监测中心可以在采用之前，用自身数据将模型表现与现有方法进行对比。

这些循环在观测数据上衡量预测与反驳——统计关联不等于因果，模型自身也会记录何时某个问题需要数据无法提供的实验室条件。结果仅针对所测试的数据与时间窗口；并非对任何情境的承诺。

并非每个问题都有预期的答案——但每个问题都有一份诚实的记录。v0.10.6 是 CWM 在真实场地上、面对公认对手，证明自己兼具两种能力：预测，以及认清自身边界。