最近一场对战
失败排位赛
LU
A.LU更新于1天前
Steam
JapanM100%
SteamJapanM100%Mr.Tatsuo
The Legend Begins
MR 1,374#570,080最近 10 场2–8-49最近 20 场4–16-94
胜率
47%
30 胜 · 34 负 · 已存 64 场
排位赛对战
64
已选模式
胜场
30
排位赛
负场
34
排位赛
最高 MR
1,476
Luke
排位 MR · Luke
本地 64 · 导入 88 · 图表显示 146 · 已存 78 场对战
尚未请求回放
LUA.LU按差值绝对值从大到小排列23 项习惯
| 习惯 | Mr.Tatsuo | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| 斗气前冲（取消） | 15.6% | 37.0% | -21.4% | |
| SA2 | 12.1% | 26.9% | -14.8% | |
| CA | 24.1% | 9.4% | +14.7% | |
| 斗气防御 | 20.8% | 13.7% | +7.1% | |
| 斗气前冲（招架） | 14.2% | 7.7% | +6.5% | |
| SA3 | 39.7% | 33.7% | +5.9% | |
| SA1 | 24.1% | 30.0% | -5.9% | |
| 版边压制 | 10.00 | 13.81 | -3.81 | |
| 斗气迸放消耗 | 2.8% | 1.4% | +1.4% | |
| 被困版边时间 | 7.90 | 8.85 | -0.95 | |
| 拆投 | 0.10 | 0.46 | -0.36 | |
| 投技 | 2.00 | 2.35 | -0.35 | |
| 受到投技 | 2.40 | 2.11 | +0.29 | |
| 斗气反攻 | 0.50 | 0.22 | +0.28 | |
| 精准招架 | 0.50 | 0.77 | -0.27 | |
| 斗气招架 | 2.10 | 1.87 | +0.23 | |
| 受到惩罚反击 | 0.20 | 0.09 | +0.11 | |
| 斗气迸放 | 0.30 | 0.20 | +0.10 | |
| 惩罚反击命中 | 0.20 | 0.10 | +0.10 | |
| 造成昏厥 | 0.00 | 0.08 | -0.08 | |
| 受到昏厥 | 0.00 | 0.07 | -0.07 | |
| 斗气技 | 16.3% | 16.3% | -0.1% | |
| 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
- 受到惩罚反击：档案 0.2 · 参考 0.06
让斗气迸放有明确目的
斗气迸放：档案 0.2 · 参考 0.17
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 0.17
- 斗气迸放消耗：档案 2% · 参考 1.3%
检查近距离选择
拆投：档案 0.1 · 参考 0.4
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 0.4
- 投技：档案 2.3 · 参考 2.57
- 受到投技：档案 2.2 · 参考 2.04
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Char 253：210场中获胜109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Char 253：210场中获胜109场
- 对阵Ryu：47场中获胜30场
- 对阵Akuma：26场中获胜13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