最近一场对战
失败排位赛
AK
LUAK更新于2天前
CrossPlatform
JapanC100%
CrossPlatformJapanC100%もやしもん
Let's Do This
MR 1,283#595,921最近 10 场7–3+36最近 20 场12–8+39
胜率
51%
80 胜 · 78 负 · 已存 158 场
排位赛对战
158
已选模式
胜场
80
排位赛
负场
78
排位赛
最高 MR
1,331
Akuma
排位 MR · Akuma
本地 158 · 导入 0 · 图表显示 158 · 已存 158 场对战
尚未请求回放
AKLUAK按差值绝对值从大到小排列23 项习惯
| 习惯 | もやしもん | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA1 | 3.7% | 28.6% | -24.9% | |
| SA3 | 61.1% | 38.7% | +22.4% | |
| 斗气技 | 34.1% | 19.2% | +14.9% | |
| CA | 20.4% | 9.9% | +10.5% | |
| SA2 | 14.8% | 22.8% | -7.9% | |
| 斗气前冲（招架） | 1.3% | 7.4% | -6.2% | |
| 斗气防御 | 7.7% | 13.1% | -5.4% | |
| 版边压制 | 9.00 | 11.47 | -2.47 | |
| 斗气迸放消耗 | 3.9% | 1.5% | +2.4% | |
| 被困版边时间 | 6.60 | 8.55 | -1.95 | |
| 投技 | 1.50 | 2.74 | -1.24 | |
| 受到投技 | 1.50 | 2.09 | -0.59 | |
| 斗气招架 | 2.10 | 1.65 | +0.45 | |
| 斗气前冲（取消） | 33.1% | 32.7% | +0.4% | |
| 精准招架 | 0.40 | 0.77 | -0.37 | |
| 斗气迸放 | 0.50 | 0.20 | +0.30 | |
| 拆投 | 0.20 | 0.45 | -0.25 | |
| 招架时被投 | 0.10 | 0.27 | -0.17 | |
| 受到惩罚反击 | 0.20 | 0.09 | +0.11 | |
| 斗气反攻 | 0.30 | 0.20 | +0.10 | |
| 惩罚反击命中 | 0.20 | 0.13 | +0.07 | |
| 造成昏厥 | 0.10 | 0.03 | +0.07 | |
| 受到昏厥 | 0.10 | 0.04 | +0.06 |
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。
Akuma · 最近100场
需要改进的地方
找出惩罚反击的原因
受到惩罚反击：档案 0.2 · 参考 0.07
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
- 受到惩罚反击：档案 0.2 · 参考 0.07
让斗气迸放有明确目的
斗气迸放：档案 0.5 · 参考 0.21
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 0.5 · 参考 0.21
- 斗气迸放消耗：档案 3.9% · 参考 1.4%
比较胜负中的决策
已保存的近期排位赛样本：100场中获胜50场
从已保存的近期样本中选两场胜利与两场失败，找出变化的决策。战绩本身无法解释结果变化的原因。
试试这样做写下接下来五场要测试的一项具体判断。复盘是否执行及发生了什么，不要只用胜负评价练习。
数据依据
- 已保存的近期排位赛样本：100场中获胜50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11日 · AI：nex-agi/nex-n2.5-mini:free
如何应对这位玩家
验证斗气迸放倾向
斗气迸放：档案 0.5 · 参考 0.21
观察特定场景下是否反复出现斗气迸放。考虑距离、硬直和量表，准备在训练中验证过的应对。
试试这样做再次进入该场景时，采用更少暴露破绽的行动。如果迸放出现，就使用练过的应对；如果没有，就回到常规计划。
数据依据
- 斗气迸放：档案 0.5 · 参考 0.21
- 斗气迸放消耗：档案 3.9% · 参考 1.4%
区分持续倾向与偶发失误
已保存的近期排位赛样本：100场中获胜50场
研究多场近期比赛，对照胜局与败局。围绕重复场景准备，不要只记住一次显眼失误。
试试这样做用第一回合验证一个观察假设。若重复出现，就应用准备好的调整；若没有，就放弃假设并观察新模式。
数据依据
- 已保存的近期排位赛样本：100场中获胜50场
把对局战绩当作观察线索
对阵Ingrid：25场中获胜9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Ingrid：25场中获胜9场
- 对阵Mai：23场中获胜14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11日 · AI：nex-agi/nex-n2.5-mini:free