最近一场对战
胜利排位赛
MA
JAMA更新于19小时前
Steam
JapanC100%
SteamJapanC100%QuuBoo
Ready to Tussle
MR 1,503#242,837最近 10 场6–4+14最近 20 场13–7+42
胜率
51%
123 胜 · 118 负 · 已存 241 场
排位赛对战
241
已选模式
胜场
123
排位赛
负场
118
排位赛
最高 MR
1,503
Marisa
排位 MR · Marisa
本地 241 · 导入 0 · 图表显示 241 · 已存 241 场对战
尚未请求回放
MAJAMA按差值绝对值从大到小排列23 项习惯
| 习惯 | QuuBoo | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA1 | 15.1% | 41.8% | -26.7% | |
| CA | 24.5% | 7.3% | +17.2% | |
| SA3 | 49.1% | 32.8% | +16.3% | |
| 斗气前冲（取消） | 19.4% | 29.3% | -9.9% | |
| SA2 | 11.3% | 18.1% | -6.8% | |
| 斗气迸放消耗 | 4.3% | 1.8% | +2.5% | |
| 斗气技 | 16.7% | 19.0% | -2.3% | |
| 斗气防御 | 12.8% | 14.5% | -1.7% | |
| 斗气前冲（招架） | 10.4% | 8.9% | +1.5% | |
| 斗气招架 | 0.60 | 1.56 | -0.96 | |
| 被困版边时间 | 8.60 | 7.86 | +0.74 | |
| 版边压制 | 9.40 | 10.02 | -0.62 | |
| 受到投技 | 2.80 | 2.20 | +0.60 | |
| 精准招架 | 0.10 | 0.59 | -0.49 | |
| 斗气反攻 | 0.80 | 0.33 | +0.47 | |
| 投技 | 2.40 | 2.03 | +0.37 | |
| 招架时被投 | 0.40 | 0.28 | +0.12 | |
| 造成昏厥 | 0.20 | 0.09 | +0.11 | |
| 斗气迸放 | 0.30 | 0.20 | +0.10 | |
| 受到昏厥 | 0.10 | 0.03 | +0.07 | |
| 拆投 | 0.50 | 0.54 | -0.04 | |
| 受到惩罚反击 | 0.10 | 0.11 | -0.01 | |
| 惩罚反击命中 | 0.10 | 0.11 | -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。
Marisa · 最近100场
需要改进的地方
复盘防守决策
斗气招架：档案 0.6 · 参考 1.59
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 0.6 · 参考 1.59
- 精准招架：档案 0.1 · 参考 0.6
- 斗气反攻：档案 0.5 · 参考 0.32
检查近距离选择
拆投：档案 0.2 · 参考 0.52
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
- 拆投：档案 0.2 · 参考 0.52
- 受到投技：档案 2.6 · 参考 2.3
- 投技：档案 1.9 · 参考 2.13
追踪位置得失的过程
版边压制：档案 8.5 · 参考 10.2
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 8.5 · 参考 10.2
- 被困版边时间：档案 7.9 · 参考 8.39
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Luke：218场中获胜121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：218场中获胜121场
- 对阵Ryu：169场中获胜84场
- 对阵Alex：168场中获胜71场
区分持续倾向与偶发失误
已保存的近期排位赛样本：51场中获胜25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：51场中获胜25场
验证斗气迸放倾向
斗气迸放：档案 0.2 · 参考 0.2
观察特定场景下是否反复出现斗气迸放。考虑距离、硬直和量表，准备在训练中验证过的应对。
试试这样做再次进入该场景时，采用更少暴露破绽的行动。如果迸放出现，就使用练过的应对；如果没有，就回到常规计划。
数据依据
- 斗气迸放：档案 0.2 · 参考 0.2
- 斗气迸放消耗：档案 3.6% · 参考 1.9%
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6日 · AI：dots-studio/dots-3-note-preview:free