К содержимому
Другое

HLTV kill-count prediction

кто наберёт больше убийств в CS2

2 мин чтенияобновлено

Модель решает узкую задачу для CS2: по данным матча предсказать, кто из каждой пары десяти игроков закончит с большим числом убийств. Есть два режима: до первого раунда — смесь XGBoost и логистической регрессии на 88 признаках; в игре — трансформер по токенам раундов, который учитывает первые k раундов. Она основана на данных HLTV (8 235 карт, более 1,18 млн убийств) и не является LLM. Полезна аналитикам киберспорта, разработчикам фэнтези/прогнозов и тем, кто исследует табличные и временные модели.

Ключевые особенности

  • Два режима: pre-match до старта и in-play по первым k раундам.
  • Pre-match: XGBoost (3 seed) + logistic blend, 88 features, pairwise accuracy 61,1 %.
  • In-play transformer: 68,6 % при k=3 и до 90,7 % при k=18.
  • Есть сравнение с baseline: career kill-rate 58,0 % и market/rating 59,4 %.
  • В репозитории лежат готовые скрипты для скоринга pre-match, in-play и set-модели.

Что можно сделать

  • Собрать аналитический бот для просмотра пар игроков и вероятностного порядка по убийствам.
  • Оценивать in-play прогноз по первым 3, 5, 8, 12, 15 или 18 раундам через tools/inplay_predict.py.
  • Использовать confidence tiers: в карточке указано 90 % accuracy на топ-1 % самых уверенных пар и 80 % на топ-8 %.
  • Проверять pre-match модель на конкретном матче по ID через tools/prematch_predict.py --match.

Пример

pip install torch xgboost scikit-learn joblib numpy pandas pyarrow
python tools/prematch_predict.py --match 2400011
python tools/inplay_predict.py --ck 12 --map-ix 0
ПодробнееPre-match pairwise accuracy — 61,1 %, baseline career kill-rate — 58,0 %, market/rating — 59,4 %.
In-play: k=3 — 68,6 %, k=12 — 81,6 %, k=18 — 90,7 %.
Веса в artifacts/ — all-data retrains; метрики получены expanding-origin CV по четвертям, оценка матча из обучающего окна будет in-sample.
Ничьи по убийствам — 5,7 %, считаются как half-correct.
Обсудить Telegram 0

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.0 GB · готовые файлы0.5 GB
  • FP8 / INT8рекомендуемвеса 0.0 GB0.5 GB
  • 4-bitвеса 0.0 GB0.5 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # leminhohoho/hltv-kill-prediction
    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-kill-prediction --local-dir ~/models/hltv-kill-prediction
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к hltv-kill-prediction
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

Новые посты про версии hltv-kill-prediction — сжатые, дообучения, LoRA — появятся в колокольчике.

У этой модели пока нет известных родственников. Все производные на Hugging Face

О модели

leminhohoho/hltv-kill-prediction
Автор
leminhohoho
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

00

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии

Другое

EGFR pIC50

EGFR pIC50