最近一场对战
失败排位赛
TE
LUTE更新于4小时前
Steam
Japan俱乐部 · ASKdojoC100%
SteamJapan俱乐部 · ASKdojoC100%†黒い閃光†
Let's Do This
MR 1,429#494,584最近 10 场6–4+14最近 20 场11–9+15
胜率
47%
62 胜 · 70 负 · 已存 132 场
排位赛对战
132
已选模式
胜场
62
排位赛
负场
70
排位赛
最高 MR
1,517
Terry
排位 MR · Terry
本地 132 · 导入 135 · 图表显示 189 · 已存 132 场对战
尚未请求回放
TELUTE按差值绝对值从大到小排列23 项习惯
| 习惯 | †黒い閃光† | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| 斗气前冲（取消） | 18.8% | 33.4% | -14.6% | |
| SA1 | 41.5% | 33.6% | +7.8% | |
| 斗气前冲（招架） | 15.2% | 8.2% | +6.9% | |
| 斗气防御 | 20.6% | 14.3% | +6.2% | |
| SA3 | 26.8% | 32.8% | -6.0% | |
| 版边压制 | 9.00 | 12.45 | -3.45 | |
| CA | 7.3% | 9.0% | -1.7% | |
| 被困版边时间 | 8.20 | 9.65 | -1.45 | |
| 斗气技 | 14.9% | 16.3% | -1.4% | |
| 斗气迸放消耗 | 2.4% | 1.6% | +0.8% | |
| 精准招架 | 0.10 | 0.80 | -0.70 | |
| 受到投技 | 1.80 | 2.21 | -0.41 | |
| 斗气招架 | 1.50 | 1.89 | -0.39 | |
| 拆投 | 0.20 | 0.43 | -0.23 | |
| 投技 | 2.70 | 2.49 | +0.21 | |
| SA2 | 24.4% | 24.5% | -0.1% | |
| 斗气反攻 | 0.30 | 0.17 | +0.13 | |
| 斗气迸放 | 0.30 | 0.21 | +0.09 | |
| 惩罚反击命中 | 0.20 | 0.12 | +0.08 | |
| 招架时被投 | 0.20 | 0.26 | -0.06 | |
| 受到昏厥 | 0.10 | 0.05 | +0.05 | |
| 造成昏厥 | 0.10 | 0.07 | +0.03 | |
| 受到惩罚反击 | 0.10 | 0.09 | +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。
Terry · 最近100场
需要改进的地方
找出惩罚反击的原因
受到惩罚反击：档案 0.2 · 参考 0.09
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
- 受到惩罚反击：档案 0.2 · 参考 0.09
明确每次量表消耗的目的
斗气前冲（取消）：档案 18.6% · 参考 32.4%
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
- 斗气前冲（取消）：档案 18.6% · 参考 32.4%
- 斗气前冲（招架）：档案 13.2% · 参考 9.2%
让斗气迸放有明确目的
斗气迸放：档案 0.2 · 参考 0.22
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 0.2 · 参考 0.22
- 斗气迸放消耗：档案 2% · 参考 1.6%
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Kimberly：12场中获胜5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Kimberly：12场中获胜5场
- 对阵JP：13场中获胜3场
- 对阵Chun-Li：50场中获胜35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6日 · AI：dots-studio/dots-3-note-preview:free