最近一场对战
胜利排位赛
MA
INMA更新于2天前
Steam
JapanC100%
SteamJapanC100%germger
Sim Sim Crusher
MR 1,524#183,125最近 10 场5–50最近 20 场11–9+17
胜率
49%
38 胜 · 39 负 · 已存 77 场
排位赛对战
77
已选模式
胜场
38
排位赛
负场
39
排位赛
最高 MR
1,568
Manon
排位 MR · Manon
本地 77 · 导入 262 · 图表显示 339 · 已存 77 场对战
尚未请求回放
MAINMA按差值绝对值从大到小排列23 项习惯
| 习惯 | germger | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA1 | 20.0% | 31.1% | -11.1% | |
| SA3 | 40.0% | 30.0% | +10.0% | |
| 斗气前冲（取消） | 51.5% | 42.9% | +8.6% | |
| SA2 | 38.3% | 30.7% | +7.7% | |
| 斗气技 | 4.9% | 11.5% | -6.6% | |
| CA | 1.7% | 8.2% | -6.5% | |
| 斗气防御 | 7.4% | 11.0% | -3.6% | |
| 斗气前冲（招架） | 1.5% | 4.8% | -3.3% | |
| 版边压制 | 4.50 | 6.80 | -2.30 | |
| 被困版边时间 | 11.00 | 9.32 | +1.68 | |
| 投技 | 1.80 | 2.45 | -0.65 | |
| 斗气迸放消耗 | 1.2% | 1.6% | -0.4% | |
| 拆投 | 0.90 | 0.54 | +0.36 | |
| 招架时被投 | 0.00 | 0.21 | -0.21 | |
| 斗气招架 | 1.60 | 1.77 | -0.17 | |
| 受到投技 | 2.50 | 2.34 | +0.16 | |
| 精准招架 | 0.70 | 0.57 | +0.13 | |
| 斗气反攻 | 0.20 | 0.32 | -0.12 | |
| 受到惩罚反击 | 0.20 | 0.09 | +0.11 | |
| 造成昏厥 | 0.00 | 0.04 | -0.04 | |
| 受到昏厥 | 0.10 | 0.07 | +0.03 | |
| 惩罚反击命中 | 0.10 | 0.11 | -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。
Manon · 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 0.2 · 参考 0.11
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 0.11
追踪位置得失的过程
版边压制：档案 4 · 参考 8.16
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 4 · 参考 8.16
- 被困版边时间：档案 11.1 · 参考 8.72
明确每次量表消耗的目的
SA2：档案 50% · 参考 32.1%
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
- SA2：档案 50% · 参考 32.1%
- SA3：档案 37% · 参考 32.9%
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13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Yasmine：89场中获胜47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Yasmine：89场中获胜47场
- 对阵Luke：88场中获胜46场
- 对阵Ryu：79场中获胜47场
区分持续倾向与偶发失误
已保存的近期排位赛样本：58场中获胜28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：58场中获胜28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13日 · AI：dots-studio/dots-3-note-preview:free