كمية السلوك أمر حاسم في تطبيقات تتراوح من العلوم العصبية، والطب البيطري، وجهود حفظ الحيوانات. خطوة أساسية شائعة في تحليل السلوك هي استخراج النقاط الرئيسية ذات الصلة على الحيوانات، المعروفة بتقدير الوضع (Pose Estimation). ومع ذلك، يتطلب الاستدلال الموثوق بالوضعيات حالياً معرفة متخصصة وجهداً يدويًا لوضع التسميات لإنشاء نماذج مراقبة. نقدم سلسلة من الابتكارات التقنية التي تمكّن طريقة جديدة، تُعرف باسم SuperAnimal، من تطوير نماذج أساسية موحدة يمكن استخدامها على أكثر من 45 نوعًا من الحيوانات دون الحاجة إلى تسميات بشرية إضافية. بشكل ملموس، نقدم طريقة لتوحيد فضاء النقاط الرئيسية عبر قواعد بيانات مختلفة التسمية (من خلال محول البيانات العام الذي طورناه) ولتدريب هذه القواعد البيانات بطريقة لا تنسى فيها النقاط الرئيسية بشكل كارثي عند التعامل مع المدخلات غير المتوازنة (من خلال تقنيات التعتيم على تadients النقاط الرئيسية وإعادة تشغيل الذاكرة). أظهرت هذه النماذج أداءً ممتازًا في ستة مقاييس لتقدير الوضع. ثم، للتأكد من تحقيق أعلى درجة من الاستخدام للمستخدمين النهائيين، نوضح كيفية تعديل النماذج على بيانات مختلفة التسمية ونوفّر أدوات للتكيف الفيديوي غير المشرف عليه لتعزيز الأداء وتقليل الاهتزاز بين الإطارات. إذا تم تعديل النماذج، فإننا نظهر أن نماذج SuperAnimal تكون أكثر كفاءة في البيانات بمقدار 10-100 مرة مقارنة بالطرق السابقة المستندة إلى التعلم النقل (Transfer Learning). نوضح فائدة نماذجنا في تصنيف السلوك لدى الفئران وفي تحليل المشية لدى الخيول. مجتمعةً، هذه الطريقة تمثل حلًا فعالاً وكفؤًا في البيانات لتقدير وضع الحيوانات.