最近一场对战
胜利休闲赛
JP
RYJP更新于4天前
Steam
JapanC100%
SteamJapanC100%†強者の翼†
Let's Do This
MR 1,606#74,164胜率
—
0 胜 · 0 负 · 已存 0 场
排位赛对战
0
已选模式
胜场
0
排位赛
负场
0
排位赛
最高 MR
1,606
JP
排位 MR · JP
本地 0 · 导入 0 · 图表显示 0 · 已存 71 场对战
此时间范围内的排位 MR 数据不足。
尚未请求回放
JPRYJP按差值绝对值从大到小排列23 项习惯
| 习惯 | †強者の翼† | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA2 | 74.5% | 56.6% | +17.9% | |
| 斗气前冲（取消） | 8.0% | 23.1% | -15.1% | |
| 斗气技 | 43.3% | 32.1% | +11.1% | |
| SA3 | 10.0% | 19.2% | -9.2% | |
| SA1 | 12.7% | 19.2% | -6.5% | |
| 斗气迸放消耗 | 5.1% | 2.1% | +3.0% | |
| CA | 2.7% | 5.0% | -2.2% | |
| 斗气前冲（招架） | 4.5% | 6.5% | -2.0% | |
| 斗气防御 | 11.4% | 12.8% | -1.5% | |
| 精准招架 | 0.40 | 0.79 | -0.39 | |
| 受到投技 | 2.50 | 2.13 | +0.37 | |
| 被困版边时间 | 12.40 | 12.04 | +0.36 | |
| 斗气迸放 | 0.60 | 0.34 | +0.26 | |
| 拆投 | 0.20 | 0.39 | -0.19 | |
| 斗气招架 | 1.90 | 2.07 | -0.17 | |
| 惩罚反击命中 | 0.30 | 0.13 | +0.17 | |
| 造成昏厥 | 0.20 | 0.09 | +0.11 | |
| 版边压制 | 10.70 | 10.77 | -0.07 | |
| 投技 | 1.90 | 1.97 | -0.07 | |
| 受到昏厥 | 0.00 | 0.04 | -0.04 | |
| 斗气反攻 | 0.10 | 0.13 | -0.03 | |
| 受到惩罚反击 | 0.10 | 0.08 | +0.02 | |
| 招架时被投 | 0.40 | 0.41 | -0.01 |
从数据到练习
最近100场对战计划
根据此档案的习惯和战绩，生成可在实战中验证的思路。习惯统计涵盖所有角色；所选角色用于确定对照组。
正在检查已保存的对战计划…
使用OpenRouter的免费AI模型分析公开档案统计。计划会保存以供共享和复用。建议是基于统计的假设，并非回放视频分析。已保存的对战计划
保留生成时依据数据和日期的AI计划。展开即可阅读两种视角。
JP · 最近100场
需要改进的地方
让斗气迸放有明确目的
斗气迸放：档案 0.6 · 参考 0.34
回看五次斗气迸放，记录使用场景和结果。保留有效用法，研究反复失败的原因，而不是追求参考平均次数。
试试这样做在不同训练人偶槽位记录斗气迸放与普通攻击，混合播放，练习辨别并选择当前量表状态下可用的应对。
数据依据
- 斗气迸放：档案 0.6 · 参考 0.34
- 斗气迸放消耗：档案 5.1% · 参考 2.1%
找出惩罚反击的原因
惩罚反击命中：档案 0.3 · 参考 0.13
分别回看五次受到和打出的惩罚反击。先区分空挥与被防后留出破绽，再选择练习目标。
试试这样做在训练中重现一个反复出现的场景，检查距离和帧数计量表，再练习更稳妥的选择或确实能命中的反击。
数据依据
- 惩罚反击命中：档案 0.3 · 参考 0.13
- 受到惩罚反击：档案 0.1 · 参考 0.08
检查近距离选择
拆投：档案 0.2 · 参考 0.39
回看五次近距离交锋，区分投技机会、投技尝试和防守选择。仅靠汇总次数无法判断当时的正确答案。
试试这样做在重复场景中记录打击和投技，练习选定的应对，再检查自己能否在实战中有意识地做出判断。
数据依据
- 拆投：档案 0.2 · 参考 0.39
- 受到投技：档案 2.4 · 参考 2.13
AI根据引用统计选择经过检查的练习方案并排序。习惯涵盖整个档案，角色战绩与近期样本的统计范围不同。这些是供验证的思路，并非已确认的弱点或视频分析。 最近100场比赛的已报告趋势，并非生涯习惯平均值。
数据保存于2026年9月8日 · AI：dots-studio/dots-3-note-preview:free
如何应对这位玩家
把对局战绩当作观察线索
对阵Ryu：110场中获胜60场
较低胜率提示可以研究哪些录像，但不保证选角优势。确认同一种困难场景是否出现在多场比赛中。
试试这样做如果你使用引用的角色，就试一次录像中熟悉的场景。对方应对良好时，放弃原假设，按实际表现调整。
数据依据
- 对阵Ryu：110场中获胜60场
- 对阵Yasmine：95场中获胜50场
- 对阵Luke：83场中获胜45场
AI根据引用统计选择经过检查的练习方案并排序。习惯涵盖整个档案，角色战绩与近期样本的统计范围不同。这些是供验证的思路，并非已确认的弱点或视频分析。 最近100场比赛的已报告趋势，并非生涯习惯平均值。
数据保存于2026年9月8日 · AI：dots-studio/dots-3-note-preview:free