最近一场对战
失败排位赛
MA
ZAMA更新于2天前
Steam
JapanC100%
SteamJapanC100%もやたろう
Let's Do This
MR 1,504#236,719最近 10 场6–4+17最近 20 场11–9+18
胜率
46%
46 胜 · 55 负 · 已存 101 场
排位赛对战
101
已选模式
胜场
46
排位赛
负场
55
排位赛
最高 MR
1,606
Manon
排位 MR · Manon
本地 101 · 导入 0 · 图表显示 101 · 已存 101 场对战
尚未请求回放
MAZAMA按差值绝对值从大到小排列23 项习惯
| 习惯 | もやたろう | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA1 | 41.7% | 25.4% | +16.2% | |
| 斗气前冲（取消） | 55.1% | 43.0% | +12.1% | |
| SA2 | 25.0% | 32.1% | -7.1% | |
| 斗气防御 | 4.4% | 11.3% | -6.8% | |
| CA | 4.2% | 9.7% | -5.5% | |
| 版边压制 | 3.10 | 8.16 | -5.06 | |
| 斗气技 | 6.8% | 11.3% | -4.5% | |
| SA3 | 29.2% | 32.9% | -3.7% | |
| 斗气前冲（招架） | 1.7% | 5.0% | -3.3% | |
| 被困版边时间 | 11.80 | 8.72 | +3.08 | |
| 斗气招架 | 0.70 | 1.80 | -1.10 | |
| 受到投技 | 3.00 | 2.28 | +0.72 | |
| 投技 | 1.90 | 2.53 | -0.63 | |
| 精准招架 | 0.10 | 0.64 | -0.54 | |
| 拆投 | 0.90 | 0.56 | +0.34 | |
| 受到昏厥 | 0.20 | 0.06 | +0.14 | |
| 招架时被投 | 0.10 | 0.20 | -0.10 | |
| 斗气反攻 | 0.20 | 0.30 | -0.10 | |
| 斗气迸放 | 0.30 | 0.22 | +0.08 | |
| 造成昏厥 | 0.00 | 0.07 | -0.07 | |
| 斗气迸放消耗 | 1.7% | 1.8% | -0.1% | |
| 惩罚反击命中 | 0.20 | 0.14 | +0.06 | |
| 受到惩罚反击 | 0.10 | 0.11 | -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。
Manon · 最近100场
需要改进的地方
复盘防守决策
斗气招架：档案 1 · 参考 1.8
比较五个防守场景：对手做了什么、你选了什么、结果如何。招架或拆投次数少，并不直接说明防守有弱点。
试试这样做从一个棘手场景记录两种不同选择，练习辨别和应对，再检查下一组对战中的判断是否改善。
数据依据
- 斗气招架：档案 1 · 参考 1.8
- 精准招架：档案 0.1 · 参考 0.64
追踪位置得失的过程
版边压制：档案 3.3 · 参考 8.16
回看五次被逼到角落的过程。除了最后的脱身尝试，也要找出更早交出空间的决策，并对照成功压制角落的场景。
试试这样做在训练中重现反复出现的位置，比较常用应对与较少露出破绽的替代选择，再观察下一组对战中进入角落的频率。
数据依据
- 版边压制：档案 3.3 · 参考 8.16
- 被困版边时间：档案 12.5 · 参考 8.72
明确每次量表消耗的目的
SA3：档案 41.8% · 参考 32.9%
看着实际量表回顾五次资源决策，记录换来了什么以及还剩哪些选择。使用占比本身不能衡量效率。
试试这样做练习熟悉连段的资源消耗版本与节省版本，比较结果和剩余量表，再决定各自适用的场景。
数据依据
- SA3：档案 41.8% · 参考 32.9%
- SA2：档案 17.9% · 参考 32.1%
- SA1：档案 34.3% · 参考 25.4%
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7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Char 253：541场中获胜276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Char 253：541场中获胜276场
- 对阵Luke：45场中获胜24场
- 对阵Alex：39场中获胜23场
区分持续倾向与偶发失误
已保存的近期排位赛样本：22场中获胜10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：22场中获胜10场
验证斗气迸放倾向
斗气迸放：档案 0.2 · 参考 0.22
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 0.2 · 参考 0.22
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7日 · AI：dots-studio/dots-3-note-preview:free