Evaluationssuite

Jede Zahl auf dieser Seite trägt dieselben drei Vorbehalte: interne Evaluation, ein bewusst kleines zurückgehaltenes Korpus, selbstüberwachtes Training. Sie begrenzen, was die Ergebnisse bedeuten — starke Belege dafür, was die Architektur lernen kann, keine Benchmark-Behauptungen. Das Protokoll ist um Leave-one-match-out-Kreuzvalidierung (LOMO) gebaut; Ergebnisse werden nie auf Bewegung erzielt, die das Modell auswendig kennt — eine Disziplin, die mit wachsendem Korpus bindender wird.

Der Rekonstruktionsfehler wird als MPJPE — mittlerer Positionsfehler pro Gelenk — unter den in der Trainingsdokumentation beschriebenen strukturierten Masken gemessen. Die Schwierigkeit skaliert genau wie sie soll: verstreute Masken sind leicht, zusammenhängende Raum-Zeit-Löcher schwer.

Eine lineare Probe stellt eine harte Frage sanft: Kann eine gerade Linie durch das eingefrorene Embedding eine physikalische Größe rekonstruieren, von der das Modell nie erfahren hat? Für Körpermechanik-Konzepte ist die Antwort deutlich — Geschwindigkeit, Rumpfneigung und Links-rechts-Knieasymmetrie sind linear ablesbar. Genau das ist die beabsichtigte Form der Repräsentation: Das Modell hat ohne ein einziges Label gelernt, wie sich der Körper bewegt.

Über Punktmetriken hinaus prüft die Suite, ob der Embedding-Raum organisiert ist: Unüberwachtes Clustering über Bewegungsfenster findet kohärente Bewegungs-Archetypen ohne jeden Event-Feed, und Übergänge zwischen Clustern decken sich mit sichtbaren Veränderungen im Video. Archetyp-Anzahlen und Qualitätswerte bleiben intern, bis das Korpus groß genug ist, um sie verantwortungsvoll zu veröffentlichen.

Was die Zahlen nicht zeigen — taktischer Kontext, Gegnerdruck, Spielstand — liegt bewusst außerhalb des Rahmens: Das Modell sieht den Körper, nicht das Spielfeld.