最近一场对战
胜利排位赛
TE
JPTE更新于4天前
CrossPlatform
JapanC100%
CrossPlatformJapanC100%Cafe_moca55
Let's Do This
MR 1,157#599,609最近 10 场6–4+20最近 20 场11–9+18
胜率
45%
59 胜 · 72 负 · 已存 131 场
排位赛对战
131
已选模式
胜场
59
排位赛
负场
72
排位赛
最高 MR
1,470
Terry
排位 MR · Terry
本地 128 · 导入 0 · 图表显示 128 · 已存 131 场对战
尚未请求回放
TEJPTE按差值绝对值从大到小排列23 项习惯
| 习惯 | Cafe_moca55 | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA2 | 62.9% | 24.5% | +38.3% | |
| SA1 | 14.3% | 33.6% | -19.4% | |
| 斗气技 | 35.4% | 16.3% | +19.0% | |
| SA3 | 14.3% | 32.8% | -18.5% | |
| 斗气前冲（取消） | 20.9% | 33.4% | -12.6% | |
| 斗气防御 | 5.4% | 14.3% | -8.9% | |
| 斗气前冲（招架） | 1.6% | 8.2% | -6.7% | |
| 斗气迸放消耗 | 8.0% | 1.6% | +6.4% | |
| 被困版边时间 | 6.80 | 9.65 | -2.85 | |
| 斗气招架 | 0.80 | 1.89 | -1.09 | |
| 精准招架 | 0.10 | 0.80 | -0.70 | |
| 版边压制 | 12.00 | 12.45 | -0.45 | |
| CA | 8.6% | 9.0% | -0.4% | |
| 斗气迸放 | 0.50 | 0.21 | +0.29 | |
| 受到惩罚反击 | 0.30 | 0.09 | +0.21 | |
| 受到投技 | 2.40 | 2.21 | +0.19 | |
| 斗气反攻 | 0.00 | 0.17 | -0.17 | |
| 投技 | 2.60 | 2.49 | +0.11 | |
| 惩罚反击命中 | 0.20 | 0.12 | +0.08 | |
| 招架时被投 | 0.20 | 0.26 | -0.06 | |
| 受到昏厥 | 0.00 | 0.05 | -0.05 | |
| 拆投 | 0.40 | 0.43 | -0.03 | |
| 造成昏厥 | 0.10 | 0.07 | +0.03 |
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。
Terry · 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 0.3 · 参考 0.09
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 0.3 · 参考 0.09
让斗气迸放有明确目的
斗气迸放：档案 0.4 · 参考 0.22
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 0.4 · 参考 0.22
- 斗气迸放消耗：档案 7.7% · 参考 1.6%
明确每次量表消耗的目的
SA2：档案 49.3% · 参考 27.2%
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
- SA2：档案 49.3% · 参考 27.2%
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Char 253：1,059场中获胜576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 253：1,059场中获胜576场
- 对阵Akuma：106场中获胜57场
- 对阵Luke：88场中获胜48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