最近一场对战
失败排位赛
E.
M.E.更新于1周前
Steam
Japan俱乐部 · UGrazieM100%
SteamJapan俱乐部 · UGrazieM100%クリード
That Sumo Idiot
MR 1,956#1,506最近 10 场5–5+6最近 20 场11–9+19
胜率
49%
50 胜 · 53 负 · 已存 103 场
排位赛对战
103
已选模式
胜场
50
排位赛
负场
53
排位赛
最高 MR
2,004
E. Honda
排位 MR · E. Honda
本地 103 · 导入 0 · 图表显示 103 · 已存 103 场对战
尚未请求回放
E.M.E.按差值绝对值从大到小排列23 项习惯
| 习惯 | クリード | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA1 | 21.3% | 38.1% | -16.8% | |
| CA | 21.3% | 11.5% | +9.8% | |
| 斗气前冲（取消） | 14.7% | 22.8% | -8.1% | |
| SA3 | 41.0% | 36.7% | +4.3% | |
| 斗气技 | 26.3% | 22.0% | +4.2% | |
| 斗气防御 | 17.7% | 14.5% | +3.1% | |
| SA2 | 16.4% | 13.6% | +2.8% | |
| 版边压制 | 10.00 | 9.02 | +0.98 | |
| 斗气前冲（招架） | 7.1% | 7.8% | -0.8% | |
| 斗气招架 | 2.60 | 1.87 | +0.73 | |
| 投技 | 2.40 | 1.81 | +0.59 | |
| 被困版边时间 | 10.10 | 9.78 | +0.32 | |
| 受到投技 | 2.60 | 2.37 | +0.23 | |
| 斗气反攻 | 0.20 | 0.39 | -0.19 | |
| 招架时被投 | 0.40 | 0.26 | +0.14 | |
| 斗气迸放 | 0.10 | 0.22 | -0.12 | |
| 受到惩罚反击 | 0.00 | 0.10 | -0.10 | |
| 斗气迸放消耗 | 1.8% | 1.9% | -0.1% | |
| 受到昏厥 | 0.00 | 0.05 | -0.05 | |
| 惩罚反击命中 | 0.10 | 0.13 | -0.03 | |
| 造成昏厥 | 0.10 | 0.07 | +0.03 | |
| 拆投 | 0.60 | 0.59 | +0.01 | |
| 精准招架 | 0.60 | 0.60 | 0.00 |
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。
E. Honda · 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 0.21
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 0.21
- 斗气迸放消耗：档案 1.8% · 参考 2%
复盘防守决策
斗气招架：档案 2.6 · 参考 1.9
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 2.6 · 参考 1.9
- 精准招架：档案 0.6 · 参考 0.68
- 斗气反攻：档案 0.2 · 参考 0.29
明确每次量表消耗的目的
SA1：档案 21.3% · 参考 38.4%
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
- SA1：档案 21.3% · 参考 38.4%
- SA3：档案 41% · 参考 36.4%
- CA：档案 21.3% · 参考 12%
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：68场中获胜35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：68场中获胜35场
- 对阵Ryu：48场中获胜22场
- 对阵Dee Jay：48场中获胜32场
区分持续倾向与偶发失误
已保存的近期排位赛样本：92场中获胜44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：92场中获胜44场
验证斗气迸放倾向
斗气迸放：档案 0.1 · 参考 0.21
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 0.1 · 参考 0.21
- 斗气迸放消耗：档案 1.8% · 参考 2%
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