PA真人比赛数据研究组单一统计的盲区：它只记录结果，不记录过程
假设一局战术射击比赛里，某位选手的伤害排在全队第一，KDA也很好看。赛后表格会把他列为最佳表现者。但如果回放显示，他的高伤害来自队友已经倒下之后的几次孤立对枪，而队伍真正丢掉这一局的原因是第 35 秒时全队失去了侧翼信息，表格里没有任何一格能说明这一点。以上为示意场景，但类似的错位在复盘里很常见。
问题不在统计本身，而在它的信息形态：KDA、伤害、经济都是事件发生之后的汇总，丢弃了时间顺序、空间关系和当事人当时能看到什么。PA真人认为，要弥补这一点，分析对象就必须扩展到比赛真实产生的几路信号：画面里的视野与位置，语音里的意图与沟通，Telemetry里的精确状态，还有聊天弹幕里观众对局势的反应。
三项公开研究各自说明了什么
第一项是面向第一人称射击游戏的问答基准 EgoEsportsQA（arXiv 2604.12320）。公开信息显示，它覆盖 3 款游戏、1745 条职业比赛问答，设置了 11 项认知子任务和 6 项电竞知识子任务。论文报告，当时最好的 Video-LLM 只有 71.58%，并且模型在基础感知上强于深度战术推理，对宏观进程强于微观操作。换句话说，通用视频大模型能看懂“发生了什么”，却还不擅长解释“为什么这样打”，尤其是在高速、信息密度很高的游戏画面里。
第二项是 Dota 2 小地图可见性分析（arXiv 2606.26970）。研究者使用 TI 2025 的 144 场比赛、288 段双方视角视频和 2477 张人工标注的小地图图像，其中 YOLO11l 在检测小地图英雄图标上表现最好。检测结果可以绘制成“各方看得见什么”的可见性曲线，进而反映选手、英雄、角色和战队层面的行为模式。
第三项是 VALORANT 回合结果预测（arXiv 2510.17199），属于预印本的初步结果。研究从小地图提取角色位置与事件，再叠加战术事件标签，用 TimeSformer 在回合中后段做预测，准确率约 81%，明显好于只使用原始小地图的做法。这说明比起把像素直接喂给模型，先提炼出战术特征往往更有效。三项研究合在一起，也是PA真人设计分析链路时参考的方向，指向同一个方向：从画面到结构化特征，再到可解释的判断。
为什么这个转变发生在现在
一方面是模型能力：多模态视频理解在 2025 至 2026 年间明显成熟，目标检测、OCR 和视频 Transformer 的组合让“从画面读出状态”成为可以工程化的步骤。另一方面是需求：训练、复盘、直播三类场景都需要“为什么”，而不只是“是什么”。复盘要知道死亡前的信息状态，直播要知道此刻哪件事值得讲，这两件事光靠汇总统计都答不出来。
PA真人把这一趋势落实为分层设计：专用检测器负责读小地图、血条和击杀信息，事件模型负责把这些读数变成带时间戳的事件，大模型再负责统筹解释和生成建议。这与 多模态电竞大模型 一文里讨论的思路一致，也可以对照 多路输入的编码与融合 来看具体的技术拆分。
落地时最容易踩的四个坑
| 难点 | 表现 | 可能的误判 |
|---|---|---|
| 时间对齐 | 画面、语音、Telemetry的时钟不同步，差几秒 | 把“听到提醒”和“看到敌人”的先后颠倒 |
| 遮挡与界面差异 | 技能特效遮住小地图，不同分辨率、UI皮肤读数不一 | 漏检图标，误以为对手“消失” |
| 版本与地图变化 | 补丁改动数值、机制或地图布局 | 用旧版本规律解释新版本比赛 |
| 延迟与算力 | 多路模型并行推理，直播场景要求秒级响应 | 建议出来时窗口已过 |
此外，语音与生理类信号还涉及隐私与采集成本。有研究尝试用赛前 60 秒的语音声学特征预测职业比赛结果，属于早期探索，不宜当作可靠的预测手段。PA真人在评估新增信号时也遵循同一原则：多模态不等于“信号越多越准”，每增加一路输入，就多一层需要校验的误差来源。
下一步值得关注什么
近期比较确定的方向有三个：其一，评测基准会更细，不再只问“对不对”，而是按感知、战术推理、微观操作分层给分，让短板看得见；其二，先提取战术特征再做预测会成为常规做法，原始像素直接端到端的做法更多用于探索；其三，系统会更强调可解释输出，即每条建议都附带对应的画面片段、事件和当时的可见信息。
