最近一场对战
胜利排位赛
LU
JULU更新于1周前
Steam
JapanM100%
SteamJapanM100%まちゃる
Fights for Love
MR 1,670#36,830最近 10 场7–3+37最近 20 场12–8+38
胜率
57%
54 胜 · 41 负 · 已存 95 场
排位赛对战
95
已选模式
胜场
54
排位赛
负场
41
排位赛
最高 MR
1,709
Luke
排位 MR · Luke
本地 95 · 导入 0 · 图表显示 95 · 已存 95 场对战
尚未请求回放
LUJULU按差值绝对值从大到小排列23 项习惯
| 习惯 | まちゃる | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA2 | 9.7% | 26.9% | -17.2% | |
| SA3 | 47.3% | 33.7% | +13.6% | |
| CA | 19.4% | 9.4% | +9.9% | |
| SA1 | 23.7% | 30.0% | -6.4% | |
| 斗气技 | 21.8% | 16.3% | +5.4% | |
| 斗气防御 | 10.4% | 13.7% | -3.3% | |
| 斗气迸放消耗 | 4.1% | 1.4% | +2.7% | |
| 版边压制 | 11.70 | 13.81 | -2.11 | |
| 斗气前冲（取消） | 35.1% | 37.0% | -1.9% | |
| 斗气招架 | 0.90 | 1.87 | -0.97 | |
| 被困版边时间 | 9.60 | 8.85 | +0.75 | |
| 精准招架 | 0.20 | 0.77 | -0.57 | |
| 斗气迸放 | 0.50 | 0.20 | +0.30 | |
| 斗气前冲（招架） | 7.4% | 7.7% | -0.3% | |
| 惩罚反击命中 | 0.40 | 0.10 | +0.30 | |
| 斗气反攻 | 0.00 | 0.22 | -0.22 | |
| 受到投技 | 1.90 | 2.11 | -0.21 | |
| 拆投 | 0.30 | 0.46 | -0.16 | |
| 受到惩罚反击 | 0.20 | 0.09 | +0.11 | |
| 投技 | 2.40 | 2.35 | +0.05 | |
| 受到昏厥 | 0.10 | 0.07 | +0.03 | |
| 造成昏厥 | 0.10 | 0.08 | +0.02 | |
| 招架时被投 | 0.20 | 0.21 | -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。
Luke · 最近100场
需要改进的地方
找出惩罚反击的原因
惩罚反击命中：档案 0.2 · 参考 0.08
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 0.08
复盘防守决策
斗气招架：档案 1.1 · 参考 1.82
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 1.1 · 参考 1.82
- 精准招架：档案 0.2 · 参考 0.71
- 斗气反攻：档案 0 · 参考 0.2
明确每次量表消耗的目的
SA2：档案 6.3% · 参考 22.5%
看着实际量表回顾五次资源决策，记录换来了什么以及还剩哪些选择。使用占比本身不能衡量效率。
试试这样做练习熟悉连段的资源消耗版本与节省版本，比较结果和剩余量表，再决定各自适用的场景。
数据依据
- SA2：档案 6.3% · 参考 22.5%
- SA1：档案 17.7% · 参考 30.7%
- CA：档案 20.3% · 参考 10.5%
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Marisa：46场中获胜25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Marisa：46场中获胜25场
- 对阵Akuma：44场中获胜25场
- 对阵Jamie：38场中获胜17场
区分持续倾向与偶发失误
已保存的近期排位赛样本：66场中获胜36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：66场中获胜36场
寻找可重复利用的反击机会
惩罚反击命中：档案 0.2 · 参考 0.08
把统计作为观察线索。寻找你已验证在该距离能反击的动作，不要仅凭观感认定它有破绽。
试试这样做该动作出现时，尝试已确认的反击。如果对方不再使用，就恢复平常的距离控制，不必强行寻找机会。
数据依据
- 惩罚反击命中：档案 0.2 · 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6日 · AI：dots-studio/dots-3-note-preview:free