最近一场对战
失败排位赛
IN
JUIN更新于5天前
Steam
JapanC100%
SteamJapanC100%dizzy
Observer
MR 1,583#103,129最近 10 场5–5+2最近 20 场12–8+34
胜率
55%
56 胜 · 45 负 · 已存 101 场
排位赛对战
101
已选模式
胜场
56
排位赛
负场
45
排位赛
最高 MR
1,589
Ingrid
排位 MR · Ingrid
本地 101 · 导入 0 · 图表显示 101 · 已存 101 场对战
尚未请求回放
INJUIN按差值绝对值从大到小排列23 项习惯
| 习惯 | dizzy | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| 斗气技 | 9.0% | 27.5% | -18.6% | |
| 斗气前冲（取消） | 42.1% | 25.3% | +16.8% | |
| SA2 | 44.1% | 57.0% | -12.9% | |
| SA1 | 32.2% | 23.4% | +8.8% | |
| CA | 10.2% | 4.6% | +5.6% | |
| 被困版边时间 | 13.10 | 10.23 | +2.87 | |
| 斗气迸放消耗 | 0.3% | 2.1% | -1.8% | |
| SA3 | 13.6% | 15.0% | -1.4% | |
| 斗气防御 | 11.0% | 12.2% | -1.2% | |
| 受到投技 | 3.10 | 2.13 | +0.97 | |
| 斗气招架 | 1.10 | 1.51 | -0.41 | |
| 斗气前冲（招架） | 7.0% | 7.4% | -0.4% | |
| 精准招架 | 0.20 | 0.50 | -0.30 | |
| 斗气反攻 | 0.00 | 0.30 | -0.30 | |
| 拆投 | 0.60 | 0.41 | +0.19 | |
| 斗气迸放 | 0.10 | 0.27 | -0.17 | |
| 版边压制 | 11.70 | 11.85 | -0.15 | |
| 造成昏厥 | 0.00 | 0.14 | -0.14 | |
| 投技 | 2.40 | 2.31 | +0.09 | |
| 招架时被投 | 0.20 | 0.28 | -0.08 | |
| 受到昏厥 | 0.00 | 0.06 | -0.06 | |
| 惩罚反击命中 | 0.10 | 0.13 | -0.03 | |
| 受到惩罚反击 | 0.10 | 0.08 | +0.02 |
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。
Ingrid · 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 0.1 · 参考 0.27
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 0.1 · 参考 0.27
- 斗气迸放消耗：档案 0.3% · 参考 2.1%
复盘防守决策
精准招架：档案 0.2 · 参考 0.5
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
- 精准招架：档案 0.2 · 参考 0.5
- 斗气招架：档案 1.1 · 参考 1.51
- 斗气反攻：档案 0 · 参考 0.3
找出惩罚反击的原因
惩罚反击命中：档案 0.1 · 参考 0.13
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 0.1 · 参考 0.13
- 受到惩罚反击：档案 0.1 · 参考 0.08
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7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Char 253：1,150场中获胜593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 253：1,150场中获胜593场
- 对阵Ryu：113场中获胜62场
- 对阵Luke：100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：90场中获胜50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：90场中获胜50场
先试探实际防守反应
拆投：档案 0.6 · 参考 0.41
尝试一次熟悉的压制场景并观察真实反应，再据此变化下一次选择。不要把事件次数当作成功率。
试试这样做在理解的局面中尝试常用的打投选择。只在反应稳定时继续针对；对方开始调整时，就改变节奏或重新拉开。
数据依据
- 拆投：档案 0.6 · 参考 0.41
- 受到投技：档案 3.1 · 参考 2.13
- 斗气招架：档案 1.1 · 参考 1.51
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7日 · AI：dots-studio/dots-3-note-preview:free