最近一场对战
失败排位赛
KE
MAKE更新于1天前
Steam
South KoreaC100%
SteamSouth KoreaC100%Run44
Curry, Three Meals a Day
MR 1,556#132,650最近 10 场6–4+13最近 20 场11–9+14
胜率
51%
148 胜 · 144 负 · 已存 292 场
排位赛对战
292
已选模式
胜场
148
排位赛
负场
144
排位赛
最高 MR
1,583
Ken
排位 MR · Ken
本地 292 · 导入 237 · 图表显示 493 · 已存 292 场对战
尚未请求回放
KEMAKE按差值绝对值从大到小排列23 项习惯
| 习惯 | Run44 | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA1 | 45.5% | 27.3% | +18.3% | |
| SA2 | 13.9% | 25.9% | -12.0% | |
| SA3 | 30.7% | 35.8% | -5.1% | |
| 斗气前冲（取消） | 43.2% | 38.2% | +5.0% | |
| 斗气技 | 19.0% | 14.9% | +4.0% | |
| 斗气防御 | 9.3% | 12.7% | -3.4% | |
| 版边压制 | 10.20 | 13.12 | -2.92 | |
| 斗气前冲（招架） | 5.4% | 6.8% | -1.4% | |
| CA | 9.9% | 11.0% | -1.1% | |
| 被困版边时间 | 9.60 | 8.95 | +0.65 | |
| 斗气迸放消耗 | 2.0% | 1.4% | +0.6% | |
| 精准招架 | 0.20 | 0.84 | -0.64 | |
| 投技 | 2.10 | 2.57 | -0.47 | |
| 受到投技 | 1.80 | 2.26 | -0.46 | |
| 斗气招架 | 1.60 | 1.89 | -0.29 | |
| 斗气反攻 | 0.10 | 0.23 | -0.13 | |
| 受到惩罚反击 | 0.20 | 0.08 | +0.12 | |
| 惩罚反击命中 | 0.20 | 0.10 | +0.10 | |
| 造成昏厥 | 0.00 | 0.07 | -0.07 | |
| 受到昏厥 | 0.10 | 0.05 | +0.05 | |
| 拆投 | 0.40 | 0.44 | -0.04 | |
| 招架时被投 | 0.20 | 0.21 | -0.01 | |
| 斗气迸放 | 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。
Ken · 最近100场
需要改进的地方
找出惩罚反击的原因
惩罚反击命中：档案 0.2 · 参考 0.1
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
- 惩罚反击命中：档案 0.2 · 参考 0.1
- 受到惩罚反击：档案 0.2 · 参考 0.08
明确每次量表消耗的目的
SA1：档案 47.8% · 参考 29.1%
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
- SA1：档案 47.8% · 参考 29.1%
- SA2：档案 10.6% · 参考 23.7%
- 斗气前冲（取消）：档案 47.6% · 参考 38.4%
检查近距离选择
投技：档案 2.5 · 参考 2.62
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 2.5 · 参考 2.62
- 拆投：档案 0.6 · 参考 0.45
- 受到投技：档案 2.2 · 参考 2.26
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10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：90场中获胜51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：90场中获胜51场
- 对阵Ken：77场中获胜41场
- 对阵Alex：69场中获胜33场
区分持续倾向与偶发失误
已保存的近期排位赛样本：100场中获胜51场
研究多场近期比赛，对照胜局与败局。围绕重复场景准备，不要只记住一次显眼失误。
试试这样做用第一回合验证一个观察假设。若重复出现，就应用准备好的调整；若没有，就放弃假设并观察新模式。
数据依据
- 已保存的近期排位赛样本：100场中获胜51场
验证斗气迸放倾向
斗气迸放：档案 0.2 · 参考 0.17
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 0.17
- 斗气迸放消耗：档案 1.8% · 参考 1.3%
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10日 · AI：dots-studio/dots-3-note-preview:free