最近一场对战
胜利排位赛
SA
E.
M.更新于4小时前
Steam
ItalyM100%
SteamItalyM100%Cargo
Password is "Tiger"
最近 10 场7–3最近 20 场15–5
胜率
58%
155 胜 · 113 负 · 已存 268 场
排位赛对战
268
已选模式
胜场
155
排位赛
负场
113
排位赛
最高 LP
15,862
M. Bison
排位 LP · M. Bison
此角色的 LP 走势
尚未请求回放
SAE.M.按差值绝对值从大到小排列23 项习惯
| 习惯 | Cargo | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| 斗气技 | 52.5% | 18.7% | +33.7% | |
| 斗气前冲（取消） | 0.0% | 30.0% | -30.0% | |
| SA3 | 64.5% | 35.2% | +29.3% | |
| SA1 | 5.3% | 33.7% | -28.4% | |
| 斗气迸放消耗 | 15.0% | 1.5% | +13.5% | |
| 斗气防御 | 2.1% | 13.4% | -11.3% | |
| 被困版边时间 | 3.80 | 9.85 | -6.05 | |
| 斗气前冲（招架） | 2.0% | 7.2% | -5.2% | |
| SA2 | 17.1% | 21.0% | -3.9% | |
| CA | 13.2% | 10.2% | +3.0% | |
| 投技 | 0.30 | 2.42 | -2.12 | |
| 斗气招架 | 0.00 | 1.75 | -1.75 | |
| 版边压制 | 10.60 | 11.91 | -1.31 | |
| 斗气迸放 | 1.30 | 0.19 | +1.11 | |
| 惩罚反击命中 | 0.90 | 0.11 | +0.79 | |
| 精准招架 | 0.00 | 0.74 | -0.74 | |
| 受到投技 | 2.10 | 2.59 | -0.49 | |
| 拆投 | 0.10 | 0.57 | -0.47 | |
| 受到惩罚反击 | 0.50 | 0.09 | +0.41 | |
| 斗气反攻 | 0.00 | 0.33 | -0.33 | |
| 招架时被投 | 0.00 | 0.26 | -0.26 | |
| 受到昏厥 | 0.00 | 0.04 | -0.04 | |
| 造成昏厥 | 0.10 | 0.07 | +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。
Sagat · 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 1.3 · 参考 0.18
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 1.3 · 参考 0.18
找出惩罚反击的原因
惩罚反击命中：档案 0.9 · 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
- 惩罚反击命中：档案 0.9 · 参考 0.11
- 受到惩罚反击：档案 0.5 · 参考 0.09
复盘防守决策
斗气招架：档案 0 · 参考 1.81
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
- 斗气招架：档案 0 · 参考 1.81
- 精准招架：档案 0 · 参考 0.74
- 斗气反攻：档案 0 · 参考 0.24
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16日 · AI：nex-agi/nex-n2.5-mini:free
如何应对这位玩家
把对局战绩当作观察线索
对阵Char 253：202场中获胜130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Char 253：202场中获胜130场
- 对阵Akuma：26场中获胜13场
- 对阵Luke：19场中获胜10场
区分持续倾向与偶发失误
已保存的近期排位赛样本：81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：81场中获胜51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16日 · AI：nex-agi/nex-n2.5-mini:free