最近一场对战
胜利排位赛
AK
ALAK更新于14小时前
CrossPlatform
JapanC100%
CrossPlatformJapanC100%serizawa
Let's Do This
MR 1,560#129,169最近 10 场6–4+18最近 20 场11–9+18
胜率
59%
35 胜 · 24 负 · 已存 59 场
排位赛对战
59
已选模式
胜场
35
排位赛
负场
24
排位赛
最高 MR
1,602
Akuma
排位 MR · Akuma
本地 59 · 导入 194 · 图表显示 208 · 已存 59 场对战
尚未请求回放
AKALAK按差值绝对值从大到小排列23 项习惯
| 习惯 | serizawa | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA2 | 32.5% | 22.8% | +9.7% | |
| SA3 | 30.0% | 38.7% | -8.7% | |
| 斗气前冲（取消） | 41.0% | 32.7% | +8.3% | |
| 斗气技 | 24.8% | 19.2% | +5.6% | |
| 斗气防御 | 8.8% | 13.1% | -4.3% | |
| 被困版边时间 | 6.00 | 8.55 | -2.55 | |
| SA1 | 26.3% | 28.6% | -2.4% | |
| 斗气前冲（招架） | 6.1% | 7.4% | -1.4% | |
| CA | 11.3% | 9.9% | +1.3% | |
| 斗气招架 | 0.80 | 1.65 | -0.85 | |
| 斗气迸放消耗 | 2.3% | 1.5% | +0.8% | |
| 版边压制 | 10.70 | 11.47 | -0.77 | |
| 受到投技 | 1.40 | 2.09 | -0.69 | |
| 精准招架 | 0.10 | 0.77 | -0.67 | |
| 拆投 | 0.20 | 0.45 | -0.25 | |
| 斗气反攻 | 0.00 | 0.20 | -0.20 | |
| 招架时被投 | 0.40 | 0.27 | +0.13 | |
| 造成昏厥 | 0.10 | 0.03 | +0.07 | |
| 受到昏厥 | 0.00 | 0.04 | -0.04 | |
| 投技 | 2.70 | 2.74 | -0.04 | |
| 惩罚反击命中 | 0.10 | 0.13 | -0.03 | |
| 受到惩罚反击 | 0.10 | 0.09 | +0.01 | |
| 斗气迸放 | 0.20 | 0.20 | -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。
Akuma · 最近100场
需要改进的地方
复盘防守决策
精准招架：档案 0 · 参考 0.85
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
- 精准招架：档案 0 · 参考 0.85
- 斗气招架：档案 1 · 参考 1.8
- 斗气反攻：档案 0 · 参考 0.22
检查近距离选择
拆投：档案 0.2 · 参考 0.38
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 0.2 · 参考 0.38
- 受到投技：档案 1.5 · 参考 2.04
追踪位置得失的过程
版边压制：档案 10.4 · 参考 12.38
回看五次被逼到角落的过程。除了最后的脱身尝试，也要找出更早交出空间的决策，并对照成功压制角落的场景。
试试这样做在训练中重现反复出现的位置，比较常用应对与较少露出破绽的替代选择，再观察下一组对战中进入角落的频率。
数据依据
- 版边压制：档案 10.4 · 参考 12.38
- 被困版边时间：档案 6.4 · 参考 8.05
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8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 253：1,251场中获胜634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 253：1,251场中获胜634场
- 对阵Luke：113场中获胜59场
- 对阵Ryu：103场中获胜56场
区分持续倾向与偶发失误
已保存的近期排位赛样本：56场中获胜33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：56场中获胜33场
验证斗气迸放倾向
斗气迸放：档案 0.2 · 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 0.2 · 参考 0.21
- 斗气迸放消耗：档案 2.1% · 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8日 · AI：dots-studio/dots-3-note-preview:free