- El nuevo portal VACNet Labeling permite a jugadores invitados etiquetar clips de partidas para entrenar la IA anti-trampas.
- A diferencia del Overwatch de CS:GO, los veredictos no generan baneos directos, sino que alimentan el modelo de aprendizaje automático.
- La actualización del 11 de agosto de 2026 añadió un icono 'V' en el menú principal de CS2 para acceder al sistema.
- Valve pide a los revisores no compartir ni grabar los clips para evitar que los tramposos adapten sus métodos.
La comunidad de Counter-Strike 2 ha recibido con curiosidad el lanzamiento del nuevo VACNet Labeling Portal, un sistema de revisión comunitaria que Valve ha activado de forma silenciosa. Este portal, al que solo se accede con invitación, recupera la esencia del antiguo Overwatch de CS:GO, pero con un propósito completamente distinto: en lugar de castigar a los sospechosos, cada veredicto se convierte en datos de entrenamiento para la inteligencia artificial anti-trampas.
El conocido dataminer Gabe Follower ya había adelantado la existencia de este sistema semanas antes. Según la información filtrada, el portal se conecta directamente con VACnet, el modelo de machine learning de Valve. La diferencia clave frente al Overwatch original es que los jugadores que participan no emiten sentencias que lleven a un baneo inmediato; sus etiquetas sirven para mejorar la precisión de la IA en la detección de trampas dentro de CS2.
Un problema de datos: el cambio de motor y la pérdida del corpus de entrenamiento
Cuando Counter-Strike 2 llegó en septiembre de 2023 con el motor Source 2, el sistema VACnet perdió toda la base de datos comportamental que había acumulado durante años con CS:GO. El sistema de subtick, la física de movimiento y los patrones de comportamiento en servidor son tan diferentes que las etiquetas de CS:GO ya no sirven para juzgar partidas de CS2. Este fenómeno, conocido como domain shift en aprendizaje automático, dejó a VACnet sin referencias fiables.
Para resolverlo, Valve necesita generar un nuevo corpus de datos etiquetados por humanos. El portal de etiquetado es la herramienta para conseguirlo. Los revisores seleccionados ven clips de entre 10 y 15 segundos, extraídos de partidas reportadas, y deben clasificarlos en cuatro categorías: Aim Assist, WallHack, AutoBHop y Farming Bot. También pueden marcar el clip como malo o saltarse el caso si no lo tienen claro.
La decisión de no vincular estos veredictos a sanciones directas no es casual. En machine learning, la calidad de los datos depende de la consistencia entre etiquetadores. Si varios revisores ven el mismo clip y no coinciden, ese ejemplo se considera ambiguo y no se usa para entrenar. Además, al eliminar la consecuencia punitiva, se reduce el incentivo de los desarrolladores de trampas para sabotear el sistema, algo que ocurría en el Overwatch de CS:GO.
Acceso restringido y confidencialidad total
El portal es de acceso exclusivo mediante invitación. Valve no ha publicado los criterios exactos para seleccionar a los participantes, pero la comunidad asume que se basará en el Trust Factor, las horas de juego y un historial limpio de baneos. Las invitaciones son de un solo uso y están vinculadas a una cuenta. Además, los revisores deben aceptar una cláusula de confidencialidad que les prohíbe grabar, retransmitir o compartir los clips que vean.
Esta medida busca evitar que los tramposos conozcan qué comportamientos están siendo marcados y puedan adaptar sus herramientas para pasar desapercibidos. En la era de CS:GO, los vídeos de Overwatch se compartían masivamente en YouTube, que Valve quiere evitar a toda costa. La integridad de los datos de entrenamiento es ahora la prioridad.
La actualización que introdujo el portal llegó el 11 de agosto de 2026 con un parche de 42 MB. Los jugadores elegibles verán un icono con forma de V en el menú principal de CS2, que enlaza directamente al sitio externo. Si alguien sin invitación visita la URL, recibe el mensaje: «Has llegado al portal de etiquetado de Counter-Strike 2 VACNet. Si has sido invitado, inicia sesión.»
Las primeras reacciones en la comunidad son mixtas. Algunos jugadores consideran que etiquetar trampas obvias es una pérdida de tiempo, pero los expertos en machine learning explican que incluir ejemplos evidentes y también casos límite es necesario para que la IA aprenda correctamente. El sistema también cuenta con un botón Invitar revisores, lo que sugiere que la red de participantes crecerá por recomendación de los ya activos.
Todo apunta a que este es el tercer paso en la reconstrucción del anti-trampas de CS2. Primero se parcheó el fallo de subtick que permitía ocultar trampas; después se sumó la detección de comportamiento humano de FACEIT; y ahora, con este portal, se genera el corpus de datos específico para CS2. La mejora de VACnet no será inmediata, pero a largo plazo debería traducirse en partidas más limpias.
Por ahora, los jugadores solo pueden esperar y confiar en que Valve dé a conocer pronto más detalles sobre cómo se seleccionan los invitados. La transparencia será clave para que la comunidad acepte este nuevo sistema que, aunque no banea directamente, sienta las bases para que la IA haga su trabajo en el futuro.
