Skip to content
Other

hltv-tick-encoder

энкодер игрового состояния для CS2 и CS:GO

2 min readupdated

Компактная нейросеть от автора leminhohoho, обученная методом self-supervised learning (самообучение без ручной разметки) на сырых потиковых данных из демо-записей матчей CS2/CS:GO. Модель принимает координаты, углы обзора, статус жизни и команду всех 10 игроков на карте и на выходе формирует плотные векторные представления (эмбеддинги) для каждого игрока в каждый момент времени. В отличие от классических подходов на ручных агрегированных признаках, энкодер одновременно учитывает пространственное расположение всей десятёрки участников и динамику во времени. Пригодится исследователям киберспортивной аналитики и разработчикам моделей для предсказания краткосрочных событий в раунде.

Ключевые особенности

  • Компактная архитектура на 0.67M параметров (t1_model.py, размерность d=192): поканальный MLP, два слоя spatial attention по всем 10 игрокам и три слоя каузальных свёрток Conv1D по времени.
  • Работает на сырых данных с частотой 8 Hz (формат тензора [B, W, 10, 9]), без предварительно рассчитанных ручных признаков.
  • Предобучена на 364 картах (~55 тыс. шагов) на задачах предсказания следующего направления взгляда, смещения, статуса жизни и скрытого состояния других игроков.
  • Честная оценка в карточке: основной прирост качества над ручными признаками даёт сам факт совместного кодирования позиций всех 10 игроков, а предобучение добавляет поверх этого от +0.85 до +3.33 AUC.

Что можно сделать

  • Предсказывать краткосрочные события в ближайшую секунду раунда: появление врага в поле зрения, перестрелку (убийство или смерть), получение урона и открытие огня.
  • Использовать готовые чекпоинты ck14k.pt и ck30k.pt как генератор признаков (эмбеддингов) поверх или вместе с ручными фичами для лёгких классификаторов вроде MLP.
  • Анализировать текущую тактическую ситуацию внутри раунда, не тратя время на ручной инжиниринг пространственных признаков между игроками.

Пример

В карточке приведён формат входного тензора и структура модели (код запуска вынесен в файлы репозитория t1_model.py и t2_probe2.py):

# Входной тензор: [Batch, Window, 10 игроков, 9 каналов] на частоте 8 Hz
# Каналы: x/32768, y/32768, z/32768, sin(yaw), cos(yaw), sin(pitch), cos(pitch), alive, side (0=CT, 1=T)
x = torch.zeros((1, 32, 10, 9), dtype=torch.float32)
# На выходе энкодера из t1_model.py получаем эмбеддинг z размерности 192 на каждый тик и игрока
ПодробнееБенчмарки (AUC на 71 невиденном матче, линейный зонд поверх эмбеддингов + ручных признаков): «получу урон» — 0.762 (против 0.663 на ручных фичах), «убью или умру» — 0.783 (против 0.619), «враг увидит меня» — 0.761 (против 0.613), «выстрелю» — 0.668 (против 0.607).
Ограничения: усреднённые за карту эмбеддинги не улучшают предматчевые модели предсказания дуэлей (XGBoost), так как модель кодирует текущую ситуацию в раунде, а не стабильный скилл игрока.
Файлы в релизе: два численно эквивалентных чекпоинта ck14k.pt и ck30k.pt, код архитектуры и валидации.
Discuss Telegram 0

Will it run?

Runs in BF16

Fits without quantisation.

  • BF16weights 0.0 GB · ready files0.5 GB
  • FP8 / INT8recommendedweights 0.0 GB0.5 GB
  • 4-bitweights 0.0 GB0.5 GB

Tip: go 8-bit.FP8 / INT8 is within about a percent of full precision in quality, takes half the memory and runs faster on RTX 40/50 and H100. Full precision only pays off for fine-tuning.

What to get for this model

Massed ComputeOpen Massed Compute

Your own GPU: FP8 / INT8 — from RTX 2060 · BF16 — from RTX 2060

Massed Compute hourly prices, November 2026. The discounted price applies with the coupon at checkout.

Estimate: weights plus working memory. Long videos, high resolutions and long contexts need more.

Run it on Massed Compute

The script downloads the model to the rented machine. How to run it is in the model card.

  1. 1. Rent a machine with a fitting GPU

    Open Massed Compute
  2. 2. Paste the script into the machine's terminal

    Connect over SSH (the Massed Compute panel shows the command) or open a terminal on the machine's desktop.

    HF_TOKEN / CIVITAI_TOKENThe script starts with token lines: paste yours between the quotes. The Hugging Face token is for gated models, the Civitai one for Civitai models.

    # leminhohoho/hltv-tick-encoder
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download leminhohoho/hltv-tick-encoder --local-dir ~/models/hltv-tick-encoder
    # The model is in ~/models. How to run it is in the model card (link above).
    Add more LoRAs to hltv-tick-encoder
  3. 3. Use it

    The model is in ~/models. How to run it is in the model card (link above).

Stop the machine in the panel when you are done: it bills by the minute while it runs.

How to speed it up

Picked for this model type. Choose your hardware above to see what fits you exactly.

  • FlashAttention 44.0.0b40from November 18, 2026new release

    fastest exact attention on B200

    Kernels for Blackwell (beta). Exact attention without quantisation — fine for everything, LLMs included.

    How to enable: pip install flash-attn-4; vLLM and SGLang pick it up themselves.

    Earlier generations (2)
    • FlashAttention 3 — The Hopper (H100/H200) version with FP8.
    • FlashAttention 2 — The standard for RTX 30/40/50 and A100: exact attention without the memory cost of long contexts.
  • torch.compile2.15.0from October 28, 2026new release

    10–30% for free

    Compiles the model for your GPU. Slower first run, faster afterwards.

    How to enable: model = torch.compile(model); in ComfyUI the TorchCompileModel node.

Model family

New posts about versions of hltv-tick-encoder (quants, finetunes, LoRAs) will show up under the bell.

No known relatives of this model yet. All derivatives on Hugging Face

About the model

leminhohoho/hltv-tick-encoder
Author
leminhohoho
Category
Other
Released
Posted

On NeyroLearn

Hugging Face

00

Ask AI about this model

Answered by Gemini 4 · the chat is kept only in this tab

Comments

Other

TRACE

TRACE