对篮球战术的理解，从感性·经验向理性分析迈进了一步。
与此同时，苏晚主导的理论框架构建也遇到了瓶颈。她提出的核心思路是，不再将“挡拆”作为一个孤立的标签让模型学习，而是构建一个两阶段的模型：第一阶段，一个态势评估网络，实时评估当前比赛画面距离几种预定义“目标态势”的“达成度”；第二阶段，一个协同识别网络，分析进攻方球员的移动轨迹，判断其是否在以“协同”的方式，试图推动态势向某个目标演进。两个网络通过注意力机制交互，使得模型能够“理解”球员动作与战术目标之间的关联。
理论优美，但实现复杂。如何设计有效的态势评估网络？如何定义“协同”？是简单的轨迹相关性，还是更复杂的、基于图神经网络的“消息传递”模式？苏晚和王睿陷入了漫长的争论和试错。不同的网络结构，不同的损失函数设计，不同的注意力机制变体……每一次调整，都意味着代码的重写、漫长的训练和不确定的结果。
那段时间，小组微信群里的消息经常在深夜甚至凌晨闪烁。王睿会突然扔出一个训练曲线图，哀嚎“又过拟合了！”或者“梯度消失了！”。苏晚会冷静地分析可能的原因，提出调整学习率、增加Dropout层、或者修改初始化方法的建议。韩澈则会在他们讨论技术细节的间隙，插入自己最新的数据分析发现：“统计了100次成功高位挡拆，持球人与原防守人夹角变化超过60度且距离拉开1.5米以上的概率是87%，但这个阈值对‘假挡拆’的区分度不高，需要结合掩护人的移动轨迹变化率。”
他们租用的云端GPU算力费用在飙升，王睿一边心疼钱，一边疯狂地调参和跑实验。韩澈则开始系统地将自己标注的、带有“目标态势”初步标签的真实比赛视频片段（虽然粗糙）提供给王睿，与游戏数据混合，希望能提升模型的泛化能力。
进展缓慢，且充满反复。有时，一个看似promising的模型变体，在验证集上表现提升，却在更复杂的测试场景中一败涂地。有时，精心设计的特征，被证明对最终性能贡献微乎其微。挫败感是常态，但没有人提出放弃。一种奇特的、在共同攻坚中形成的
本章未完，请点击下一页继续阅读！