从高频数字交互数据迈向快速人类反应建模

我们研究了能否在高分辨率的 Counter-Strike 2 遥测数据中识别快速且由显著性驱动行为的类边缘系统特征。本探索性研究引入了 Ego-Knowledge，这是一种减少信息泄漏的重建方法，用于推断每位玩家可能的感知状态，并由毫秒级精度的可见性引擎和以反应为中心的提取流程提供支持。借鉴神经科学中 60--120 毫秒的时间窗口，我们根据由可见性和伤害触发的事件，推导出粗粒度的战或逃标签；其中，背后受伤案例可支持受约束的反应时间分析和人工标签核验。我们仅使用触发时刻之前可获得的信息，训练了两个原生遥测模型：EMBER（梯度提升模型）和 ORBIT（定制 Transformer）。在完整验证集上，EMBER 的准确率达到 73.5%，ORBIT 达到 71.2%，高于 51.5% 的多数类基线，且二者都能泛化到未参与训练的玩家。在 1,000 个验证案例上，最强的 LLM 基线达到 62.7%；在相同案例上，EMBER（73.6%）和 ORBIT（70.9%）表现更佳（McNemar 检验的 p 值分别为 1.3e-9 和 1.5e-6），同时推理时间和成本低了数个数量级，但该比较并未进行计算量匹配。纳入触发后的一小段时间窗口会将预测转变为对早期反应的识别，使准确率单调提升至 85.15%。我们提出将这一曲线作为探测快速控制向审慎控制过渡的候选指标，但近似均匀的逐 tick 增益并不能证明这一解释。神经科学框架的作用在于提出假设，而非提供机制性结论：生理学上的真实标签、合适的对照分布以及逆向推断的局限性仍有待解决。我们还概述了向听觉重建、更大规模数据集以及原生遥测基础模型扩展的方向。