最近一场对战
失败自定义房间
MA
RY
EL更新于6小时前
Steam
JapanC100%
SteamJapanC100%ノッポの姉ちゃん
Refined Gluttony
MR 1,544#150,184最近 10 场5–50最近 20 场7–13-48
胜率
50%
32 胜 · 32 负 · 已存 64 场
排位赛对战
64
已选模式
胜场
32
排位赛
负场
32
排位赛
最高 MR
1,607
Elena
排位 MR · Elena
本地 64 · 导入 9 · 图表显示 73 · 已存 107 场对战
尚未请求回放
MARYEL按差值绝对值从大到小排列23 项习惯
| 习惯 | ノッポの姉ちゃん | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA3 | 43.5% | 32.8% | +10.8% | |
| CA | 1.6% | 9.5% | -7.9% | |
| 斗气前冲（取消） | 24.5% | 31.0% | -6.5% | |
| SA2 | 21.0% | 26.3% | -5.3% | |
| 斗气技 | 13.6% | 18.1% | -4.5% | |
| SA1 | 33.9% | 31.4% | +2.4% | |
| 版边压制 | 11.40 | 13.06 | -1.66 | |
| 被困版边时间 | 10.90 | 9.26 | +1.64 | |
| 斗气前冲（招架） | 8.6% | 7.5% | +1.2% | |
| 受到投技 | 3.00 | 2.24 | +0.76 | |
| 斗气招架 | 1.10 | 1.85 | -0.75 | |
| 精准招架 | 0.30 | 0.80 | -0.50 | |
| 斗气迸放消耗 | 1.5% | 1.2% | +0.3% | |
| 投技 | 1.90 | 2.14 | -0.24 | |
| 斗气防御 | 13.6% | 13.8% | -0.2% | |
| 拆投 | 0.40 | 0.54 | -0.14 | |
| 斗气迸放 | 0.10 | 0.15 | -0.05 | |
| 受到昏厥 | 0.00 | 0.04 | -0.04 | |
| 造成昏厥 | 0.10 | 0.06 | +0.04 | |
| 受到惩罚反击 | 0.10 | 0.07 | +0.03 | |
| 惩罚反击命中 | 0.10 | 0.08 | +0.02 | |
| 斗气反攻 | 0.20 | 0.22 | -0.02 | |
| 招架时被投 | 0.20 | 0.19 | +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。
Elena · 最近100场
需要改进的地方
复盘防守决策
精准招架：档案 0.4 · 参考 0.72
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
- 精准招架：档案 0.4 · 参考 0.72
- 斗气招架：档案 1.3 · 参考 1.81
让斗气迸放有明确目的
斗气迸放：档案 0.1 · 参考 0.17
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 0.1 · 参考 0.17
- 斗气迸放消耗：档案 0.9% · 参考 1.4%
追踪位置得失的过程
被困版边时间：档案 11.8 · 参考 8.42
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
- 被困版边时间：档案 11.8 · 参考 8.42
- 版边压制：档案 13.5 · 参考 13.58
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6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Akuma：178场中获胜94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Akuma：178场中获胜94场
- 对阵Yasmine：44场中获胜22场
- 对阵Luke：41场中获胜18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6日 · AI：dots-studio/dots-3-note-preview:free