最近一场对战
胜利排位赛
AL
JAAL更新于6天前
Steam
JapanC100%
SteamJapanC100%T4K1
What About Me?
MR 1,604#77,769最近 10 场9–1+63最近 20 场14–6+62
胜率
58%
19 胜 · 14 负 · 已存 33 场
排位赛对战
33
已选模式
胜场
19
排位赛
负场
14
排位赛
最高 MR
1,604
Alex
排位 MR · Alex
本地 33 · 导入 0 · 图表显示 33 · 已存 33 场对战
尚未请求回放
ALJAAL按差值绝对值从大到小排列23 项习惯
| 习惯 | T4K1 | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA1 | 23.0% | 43.0% | -20.0% | |
| SA3 | 39.2% | 22.1% | +17.1% | |
| SA2 | 33.8% | 28.4% | +5.4% | |
| 斗气技 | 10.7% | 14.2% | -3.5% | |
| CA | 4.1% | 6.5% | -2.4% | |
| 斗气迸放消耗 | 3.0% | 1.7% | +1.3% | |
| 被困版边时间 | 8.70 | 9.88 | -1.18 | |
| 投技 | 1.70 | 2.32 | -0.62 | |
| 斗气前冲（取消） | 33.6% | 33.0% | +0.6% | |
| 斗气前冲（招架） | 7.7% | 8.2% | -0.5% | |
| 版边压制 | 8.50 | 9.01 | -0.51 | |
| 斗气防御 | 14.6% | 14.1% | +0.5% | |
| 受到投技 | 2.50 | 2.12 | +0.38 | |
| 斗气招架 | 2.00 | 1.63 | +0.37 | |
| 拆投 | 0.80 | 0.48 | +0.32 | |
| 招架时被投 | 0.40 | 0.29 | +0.11 | |
| 惩罚反击命中 | 0.20 | 0.12 | +0.08 | |
| 受到惩罚反击 | 0.20 | 0.12 | +0.08 | |
| 斗气反攻 | 0.40 | 0.47 | -0.07 | |
| 受到昏厥 | 0.10 | 0.05 | +0.05 | |
| 造成昏厥 | 0.10 | 0.07 | +0.03 | |
| 精准招架 | 0.70 | 0.70 | -0.00 | |
| 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。
Alex · 最近100场
需要改进的地方
让斗气迸放有明确目的
斗气迸放：档案 0.2 · 参考 0.2
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 0.2 · 参考 0.2
- 斗气迸放消耗：档案 3% · 参考 1.7%
找出惩罚反击的原因
受到惩罚反击：档案 0.2 · 参考 0.12
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 0.2 · 参考 0.12
- 惩罚反击命中：档案 0.2 · 参考 0.12
明确每次量表消耗的目的
SA1：档案 23% · 参考 43%
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 23% · 参考 43%
- SA3：档案 39.2% · 参考 22.1%
- 斗气技：档案 10.7% · 参考 14.2%
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8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：57场中获胜34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：57场中获胜34场
- 对阵Blanka：51场中获胜37场
- 对阵Dee Jay：43场中获胜20场
区分持续倾向与偶发失误
已保存的近期排位赛样本：33场中获胜19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：33场中获胜19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8日 · AI：dots-studio/dots-3-note-preview:free