最近一场对战
失败排位赛
MA
DHMA更新于1周前
Steam
Japan俱乐部 · KmNgC100%
SteamJapan俱乐部 · KmNgC100%rint
Fights for Love
LP 14,562最近 10 场6–4最近 20 场7–4
胜率
64%
7 胜 · 4 负 · 已存 11 场
排位赛对战
11
已选模式
胜场
7
排位赛
负场
4
排位赛
最高 LP
14,562
Marisa
排位 LP · Marisa
此角色的 LP 走势
尚未请求回放
MADHMA按差值绝对值从大到小排列23 项习惯
| 习惯 | rint | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA1 | 66.2% | 41.8% | +24.4% | |
| 斗气前冲（取消） | 8.8% | 29.3% | -20.6% | |
| SA2 | 1.5% | 18.1% | -16.6% | |
| 斗气技 | 28.1% | 19.0% | +9.1% | |
| SA3 | 25.0% | 32.8% | -7.8% | |
| 斗气迸放消耗 | 8.6% | 1.8% | +6.7% | |
| 斗气防御 | 20.7% | 14.5% | +6.1% | |
| 版边压制 | 7.60 | 10.02 | -2.42 | |
| 被困版边时间 | 6.60 | 7.86 | -1.26 | |
| 斗气招架 | 2.60 | 1.56 | +1.04 | |
| 投技 | 1.30 | 2.03 | -0.73 | |
| 斗气前冲（招架） | 9.4% | 8.9% | +0.5% | |
| 斗气迸放 | 0.70 | 0.20 | +0.50 | |
| 拆投 | 0.20 | 0.54 | -0.34 | |
| 惩罚反击命中 | 0.40 | 0.11 | +0.29 | |
| 招架时被投 | 0.00 | 0.28 | -0.28 | |
| 受到投技 | 2.10 | 2.20 | -0.10 | |
| 造成昏厥 | 0.00 | 0.09 | -0.09 | |
| 受到惩罚反击 | 0.20 | 0.11 | +0.09 | |
| 精准招架 | 0.50 | 0.59 | -0.09 | |
| CA | 7.4% | 7.3% | +0.0% | |
| 斗气反攻 | 0.30 | 0.33 | -0.03 | |
| 受到昏厥 | 0.00 | 0.03 | -0.03 |
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。
Marisa · 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 0.7 · 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 0.7 · 参考 0.2
- 斗气迸放消耗：档案 8.7% · 参考 1.9%
找出惩罚反击的原因
惩罚反击命中：档案 0.4 · 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
- 惩罚反击命中：档案 0.4 · 参考 0.12
- 受到惩罚反击：档案 0.2 · 参考 0.11
检查近距离选择
投技：档案 1.2 · 参考 2.13
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 1.2 · 参考 2.13
- 受到投技：档案 2.2 · 参考 2.3
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6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：98场中获胜41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：98场中获胜41场
- 对阵Akuma：85场中获胜34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6日 · AI：dots-studio/dots-3-note-preview:free