最近一场对战
失败排位赛
JU
MAJU
CrossPlatform
JapanC100%MaiR
Purple Motorcycle Princess
LP 21,071最近 10 场3–7最近 20 场7–13
胜率
40%
17 胜 · 25 负 · 已存 42 场
排位赛对战
42
已选模式
胜场
17
排位赛
负场
25
排位赛
最高 LP
22,740
Juri
排位 LP · Juri
此角色的 LP 走势
尚未请求回放
JUMAJU按差值绝对值从大到小排列23 项习惯
| 习惯 | MaiR | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA1 | 3.6% | 36.7% | -33.2% | |
| CA | 35.7% | 8.9% | +26.8% | |
| SA3 | 60.7% | 34.8% | +25.9% | |
| 斗气前冲（取消） | 55.8% | 31.9% | +23.9% | |
| SA2 | 0.0% | 19.5% | -19.5% | |
| 斗气技 | 4.6% | 19.4% | -14.8% | |
| 斗气防御 | 3.1% | 13.4% | -10.4% | |
| 斗气前冲（招架） | 2.7% | 7.1% | -4.4% | |
| 被困版边时间 | 7.00 | 9.20 | -2.20 | |
| 版边压制 | 10.10 | 12.24 | -2.14 | |
| 斗气招架 | 0.00 | 2.07 | -2.07 | |
| 斗气迸放消耗 | 1.4% | 2.0% | -0.7% | |
| 精准招架 | 0.00 | 0.64 | -0.64 | |
| 受到投技 | 2.70 | 2.13 | +0.57 | |
| 投技 | 3.20 | 2.65 | +0.55 | |
| 拆投 | 0.70 | 0.46 | +0.24 | |
| 招架时被投 | 0.10 | 0.26 | -0.16 | |
| 斗气反攻 | 0.30 | 0.20 | +0.10 | |
| 造成昏厥 | 0.00 | 0.09 | -0.09 | |
| 斗气迸放 | 0.20 | 0.27 | -0.07 | |
| 受到昏厥 | 0.00 | 0.04 | -0.04 | |
| 惩罚反击命中 | 0.10 | 0.13 | -0.03 | |
| 受到惩罚反击 | 0.10 | 0.09 | +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。
Juri · 最近100场
需要改进的地方
检查近距离选择
投技：档案 3.2 · 参考 2.58
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
- 投技：档案 3.2 · 参考 2.58
- 受到投技：档案 2.7 · 参考 2.07
追踪位置得失的过程
版边压制：档案 10.1 · 参考 12
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 10.1 · 参考 12
- 被困版边时间：档案 7 · 参考 9.08
明确每次量表消耗的目的
SA3：档案 60.7% · 参考 34.6%
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 60.7% · 参考 34.6%
- CA：档案 35.7% · 参考 9.9%
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
验证斗气迸放倾向
斗气迸放：档案 0.2 · 参考 0.24
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 0.24
- 斗气迸放消耗：档案 1.4% · 参考 1.8%
先试探实际防守反应
斗气反攻：档案 0.3 · 参考 0.17
尝试一次熟悉的压制场景并观察真实反应，再据此变化下一次选择。不要把事件次数当作成功率。
试试这样做在理解的局面中尝试常用的打投选择。只在反应稳定时继续针对；对方开始调整时，就改变节奏或重新拉开。
数据依据
- 斗气反攻：档案 0.3 · 参考 0.17
- 拆投：档案 0.7 · 参考 0.4
把对局战绩当作观察线索
对阵Ryu：131场中获胜68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：131场中获胜68场
- 对阵Akuma：114场中获胜67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7日 · AI：dots-studio/dots-3-note-preview:free