最近一场对战
胜利排位赛
MA
INMA更新于2周前
Steam
Japan俱乐部 · PowPowNewWorldC100%
SteamJapan俱乐部 · PowPowNewWorldC100%kirio
Real Ratio 4 Fighter
MR 1,264#564,433最近 10 场3–7-17最近 20 场10–10+16
胜率
49%
35 胜 · 36 负 · 已存 71 场
排位赛对战
71
已选模式
胜场
35
排位赛
负场
36
排位赛
最高 MR
1,293
Mai
排位 MR · Mai
本地 71 · 导入 0 · 图表显示 71 · 已存 90 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 | kirio | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA2 | 4.8% | 20.2% | -15.4% | |
| 斗气技 | 9.2% | 22.7% | -13.5% | |
| SA1 | 61.9% | 54.6% | +7.3% | |
| 斗气前冲（取消） | 35.1% | 29.4% | +5.7% | |
| CA | 10.7% | 6.6% | +4.1% | |
| SA3 | 22.6% | 18.6% | +4.0% | |
| 版边压制 | 10.70 | 12.99 | -2.29 | |
| 斗气防御 | 14.9% | 13.4% | +1.5% | |
| 斗气前冲（招架） | 8.6% | 7.5% | +1.1% | |
| 斗气迸放消耗 | 2.1% | 1.3% | +0.7% | |
| 被困版边时间 | 9.70 | 9.32 | +0.38 | |
| 拆投 | 0.10 | 0.46 | -0.36 | |
| 精准招架 | 0.40 | 0.70 | -0.30 | |
| 招架时被投 | 0.10 | 0.26 | -0.16 | |
| 受到投技 | 2.10 | 2.23 | -0.13 | |
| 受到惩罚反击 | 0.20 | 0.07 | +0.13 | |
| 斗气迸放 | 0.30 | 0.19 | +0.11 | |
| 投技 | 2.60 | 2.49 | +0.11 | |
| 惩罚反击命中 | 0.20 | 0.10 | +0.10 | |
| 斗气反攻 | 0.10 | 0.19 | -0.09 | |
| 斗气招架 | 1.80 | 1.87 | -0.07 | |
| 受到昏厥 | 0.00 | 0.05 | -0.05 | |
| 造成昏厥 | 0.10 | 0.06 | +0.04 |
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。
Mai · 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 0.3 · 参考 0.16
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 0.3 · 参考 0.16
- 斗气迸放消耗：档案 2.1% · 参考 1.2%
找出惩罚反击的原因
惩罚反击命中：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
- 惩罚反击命中：档案 0.2 · 参考 0.11
- 受到惩罚反击：档案 0.2 · 参考 0.08
检查近距离选择
拆投：档案 0.1 · 参考 0.47
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 0.1 · 参考 0.47
- 受到投技：档案 2.1 · 参考 2.11
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5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Akuma：35场中获胜16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Akuma：35场中获胜16场
- 对阵Alex：12场中获胜7场
- 对阵Cammy：15场中获胜7场
区分持续倾向与偶发失误
已保存的近期排位赛样本：61场中获胜32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：61场中获胜32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5日 · AI：dots-studio/dots-3-note-preview:free