К содержимому
Другое

hltv-tick-encoder

энкодер игрового состояния для CS2 и CS:GO

2 мин чтенияобновлено

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.
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-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
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
    Добавить ещё LoRA к hltv-tick-encoder
  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-tick-encoder — сжатые, дообучения, LoRA — появятся в колокольчике.

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

О модели

leminhohoho/hltv-tick-encoder
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

TRACE

TRACE
Языковые модели

MetaEncoder v1

MetaEncoder v1