最近一场对战
胜利排位赛
AK
MAAK更新于4天前
Steam
OtherC100%
SteamOtherC100%Mark3.
Let's Do This
MR 1,673#37,466最近 10 场6–4+15最近 20 场12–8+29
胜率
55%
23 胜 · 19 负 · 已存 42 场
排位赛对战
42
已选模式
胜场
23
排位赛
负场
19
排位赛
最高 MR
1,673
Akuma
排位 MR · Akuma
本地 42 · 导入 0 · 图表显示 42 · 已存 42 场对战
尚未请求回放
AKMAAK按差值绝对值从大到小排列23 项习惯
| 习惯 | Mark3. | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA3 | 65.5% | 38.7% | +26.8% | |
| SA1 | 14.5% | 28.6% | -14.1% | |
| SA2 | 10.9% | 22.8% | -11.9% | |
| 斗气技 | 14.1% | 19.2% | -5.1% | |
| 被困版边时间 | 7.20 | 8.55 | -1.35 | |
| 斗气前冲（招架） | 8.4% | 7.4% | +1.0% | |
| CA | 9.1% | 9.9% | -0.8% | |
| 版边压制 | 10.70 | 11.47 | -0.77 | |
| 斗气防御 | 13.5% | 13.1% | +0.4% | |
| 斗气招架 | 1.30 | 1.65 | -0.35 | |
| 精准招架 | 0.50 | 0.77 | -0.27 | |
| 斗气迸放消耗 | 1.3% | 1.5% | -0.2% | |
| 斗气反攻 | 0.40 | 0.20 | +0.20 | |
| 斗气前冲（取消） | 32.9% | 32.7% | +0.2% | |
| 投技 | 2.90 | 2.74 | +0.16 | |
| 拆投 | 0.30 | 0.45 | -0.15 | |
| 招架时被投 | 0.40 | 0.27 | +0.13 | |
| 受到惩罚反击 | 0.00 | 0.09 | -0.09 | |
| 造成昏厥 | 0.10 | 0.03 | +0.07 | |
| 受到昏厥 | 0.00 | 0.04 | -0.04 | |
| 惩罚反击命中 | 0.10 | 0.13 | -0.03 | |
| 受到投技 | 2.10 | 2.09 | +0.01 | |
| 斗气迸放 | 0.20 | 0.20 | -0.00 |
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
复盘防守决策
斗气反攻：档案 0.4 · 参考 0.22
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
- 斗气反攻：档案 0.4 · 参考 0.22
- 精准招架：档案 0.4 · 参考 0.85
- 斗气招架：档案 1.3 · 参考 1.8
明确每次量表消耗的目的
SA3：档案 66.1% · 参考 35.7%
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 66.1% · 参考 35.7%
- SA1：档案 16.1% · 参考 29.6%
- SA2：档案 10.7% · 参考 24.2%
追踪位置得失的过程
版边压制：档案 10.7 · 参考 12.38
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 10.7 · 参考 12.38
- 被困版边时间：档案 7 · 参考 8.05
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Luke：77场中获胜53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Luke：77场中获胜53场
- 对阵Ryu：65场中获胜37场
验证斗气迸放倾向
斗气迸放：档案 0.2 · 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 0.2 · 参考 0.21
- 斗气迸放消耗：档案 1.5% · 参考 1.6%
试探近距离模式
投技：档案 2.9 · 参考 2.66
观察实际的打击、投技和防守选择。出现倾向后，再改变熟悉攻防中的一个部分。
试试这样做同样的反应连续出现两次后，尝试不同选择。如果对方改变反应，就重新混合选项，不要认定这个模式永远有效。
数据依据
- 投技：档案 2.9 · 参考 2.66
- 受到投技：档案 2.2 · 参考 2.04
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