最近一场对战
胜利排位赛
IN
C.IN更新于2天前
Steam
Japan俱乐部 · hakakusanM100%
SteamJapan俱乐部 · hakakusanM100%RUKI
Transcendent
MR 1,700#33,454最近 10 场7–3+37最近 20 场12–8+41
胜率
54%
164 胜 · 142 负 · 已存 306 场
排位赛对战
306
已选模式
胜场
164
排位赛
负场
142
排位赛
最高 MR
1,700
Ingrid
排位 MR · Ingrid
本地 306 · 导入 0 · 图表显示 306 · 已存 327 场对战
尚未请求回放
INC.IN按差值绝对值从大到小排列23 项习惯
| 习惯 | RUKI | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA2 | 39.4% | 57.0% | -17.6% | |
| 斗气前冲（取消） | 12.3% | 25.3% | -13.0% | |
| SA3 | 25.4% | 15.0% | +10.4% | |
| CA | 9.9% | 4.6% | +5.3% | |
| 斗气前冲（招架） | 11.9% | 7.4% | +4.6% | |
| 被困版边时间 | 14.50 | 10.23 | +4.27 | |
| 斗气防御 | 15.9% | 12.2% | +3.7% | |
| 斗气技 | 24.7% | 27.5% | -2.9% | |
| 版边压制 | 9.70 | 11.85 | -2.15 | |
| SA1 | 25.4% | 23.4% | +1.9% | |
| 斗气迸放消耗 | 2.8% | 2.1% | +0.7% | |
| 受到投技 | 2.60 | 2.13 | +0.47 | |
| 斗气招架 | 1.10 | 1.51 | -0.41 | |
| 拆投 | 0.20 | 0.41 | -0.21 | |
| 斗气反攻 | 0.50 | 0.30 | +0.20 | |
| 斗气迸放 | 0.40 | 0.27 | +0.13 | |
| 精准招架 | 0.40 | 0.50 | -0.10 | |
| 惩罚反击命中 | 0.20 | 0.13 | +0.07 | |
| 受到昏厥 | 0.10 | 0.06 | +0.04 | |
| 造成昏厥 | 0.10 | 0.14 | -0.04 | |
| 受到惩罚反击 | 0.10 | 0.08 | +0.02 | |
| 招架时被投 | 0.30 | 0.28 | +0.02 | |
| 投技 | 2.30 | 2.31 | -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。
Ingrid · 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 0.1 · 参考 0.08
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 0.1 · 参考 0.08
复盘防守决策
斗气反攻：档案 0.2 · 参考 0.3
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 0.2 · 参考 0.3
- 斗气招架：档案 1.3 · 参考 1.51
明确每次量表消耗的目的
SA3：档案 23.4% · 参考 15%
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 23.4% · 参考 15%
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5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Ryu：210场中获胜110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：210场中获胜110场
- 对阵Jamie：104场中获胜61场
- 对阵C. Viper：41场中获胜26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5日 · AI：dots-studio/dots-3-note-preview:free