最近一场对战
胜利排位赛
C.
ALC.更新于2天前
Steam
OtherM100%
SteamOtherM100%musso
Let's Do This
MR 1,427#498,453最近 10 场4–6-18最近 20 场12–8+31
胜率
59%
16 胜 · 11 负 · 已存 27 场
排位赛对战
27
已选模式
胜场
16
排位赛
负场
11
排位赛
最高 MR
1,470
C. Viper
排位 MR · C. Viper
本地 27 · 导入 0 · 图表显示 27 · 已存 84 场对战
尚未请求回放
C.ALC.按差值绝对值从大到小排列23 项习惯
| 习惯 | musso | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA2 | 5.1% | 22.2% | -17.1% | |
| SA3 | 45.8% | 29.7% | +16.1% | |
| 斗气前冲（取消） | 2.0% | 18.1% | -16.1% | |
| 斗气技 | 12.8% | 22.2% | -9.4% | |
| CA | 13.6% | 7.7% | +5.8% | |
| SA1 | 35.6% | 40.4% | -4.8% | |
| 斗气前冲（招架） | 11.7% | 7.3% | +4.5% | |
| 斗气迸放消耗 | 5.3% | 1.7% | +3.6% | |
| 被困版边时间 | 6.70 | 8.60 | -1.90 | |
| 斗气防御 | 16.1% | 14.7% | +1.4% | |
| 斗气招架 | 0.60 | 1.55 | -0.95 | |
| 版边压制 | 10.10 | 10.80 | -0.70 | |
| 投技 | 1.60 | 2.29 | -0.69 | |
| 精准招架 | 0.10 | 0.71 | -0.61 | |
| 受到惩罚反击 | 0.30 | 0.08 | +0.22 | |
| 拆投 | 0.30 | 0.49 | -0.19 | |
| 斗气反攻 | 0.40 | 0.24 | +0.16 | |
| 招架时被投 | 0.10 | 0.21 | -0.11 | |
| 惩罚反击命中 | 0.20 | 0.10 | +0.10 | |
| 受到投技 | 2.10 | 2.20 | -0.10 | |
| 受到昏厥 | 0.00 | 0.03 | -0.03 | |
| 斗气迸放 | 0.20 | 0.17 | +0.03 | |
| 造成昏厥 | 0.10 | 0.07 | +0.03 |
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。
C. Viper · 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 0.07
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 0.07
- 惩罚反击命中：档案 0.1 · 参考 0.09
明确每次量表消耗的目的
斗气技：档案 9.7% · 参考 23.2%
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
- 斗气技：档案 9.7% · 参考 23.2%
- SA1：档案 24.1% · 参考 45%
- SA3：档案 50% · 参考 26.8%
检查近距离选择
投技：档案 1.6 · 参考 2.28
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
- 投技：档案 1.6 · 参考 2.28
- 拆投：档案 0.2 · 参考 0.47
- 受到投技：档案 2 · 参考 2.19
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9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Yasmine：120场中获胜69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Yasmine：120场中获胜69场
- 对阵Chun-Li：37场中获胜22场
- 对阵Alex：37场中获胜18场
先试探实际防守反应
拆投：档案 0.2 · 参考 0.47
尝试一次熟悉的压制场景并观察真实反应，再据此变化下一次选择。不要把事件次数当作成功率。
试试这样做在理解的局面中尝试常用的打投选择。只在反应稳定时继续针对；对方开始调整时，就改变节奏或重新拉开。
数据依据
- 拆投：档案 0.2 · 参考 0.47
- 精准招架：档案 0.3 · 参考 0.63
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9日 · AI：dots-studio/dots-3-note-preview:free