最近一场对战
失败休闲赛
MA?
对手 · RandomつよオスMA更新于5天前
Steam
JapanM100%
SteamJapanM100%Rans_OE
Self-Styled Martial Artist
MR 1,601#88,440最近 10 场8–2+52最近 20 场12–8+33
胜率
55%
27 胜 · 22 负 · 已存 49 场
排位赛对战
49
已选模式
胜场
27
排位赛
负场
22
排位赛
最高 MR
1,601
Marisa
排位 MR · Marisa
本地 49 · 导入 0 · 图表显示 49 · 已存 59 场对战
尚未请求回放
MAMA按差值绝对值从大到小排列23 项习惯
| 习惯 | Rans_OE | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA1 | 22.7% | 41.8% | -19.1% | |
| SA3 | 48.5% | 32.8% | +15.7% | |
| CA | 22.7% | 7.3% | +15.4% | |
| SA2 | 6.1% | 18.1% | -12.0% | |
| 斗气技 | 11.8% | 19.0% | -7.1% | |
| 斗气前冲（取消） | 34.2% | 29.3% | +4.9% | |
| 斗气前冲（招架） | 13.7% | 8.9% | +4.8% | |
| 斗气迸放消耗 | 4.5% | 1.8% | +2.7% | |
| 版边压制 | 11.30 | 10.02 | +1.28 | |
| 斗气招架 | 0.40 | 1.56 | -1.16 | |
| 斗气防御 | 15.2% | 14.5% | +0.7% | |
| 被困版边时间 | 7.20 | 7.86 | -0.66 | |
| 精准招架 | 0.00 | 0.59 | -0.59 | |
| 受到投技 | 2.00 | 2.20 | -0.20 | |
| 投技 | 1.90 | 2.03 | -0.13 | |
| 斗气迸放 | 0.30 | 0.20 | +0.10 | |
| 受到惩罚反击 | 0.20 | 0.11 | +0.09 | |
| 招架时被投 | 0.20 | 0.28 | -0.08 | |
| 受到昏厥 | 0.10 | 0.03 | +0.07 | |
| 斗气反攻 | 0.40 | 0.33 | +0.07 | |
| 拆投 | 0.50 | 0.54 | -0.04 | |
| 惩罚反击命中 | 0.10 | 0.11 | -0.01 | |
| 造成昏厥 | 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。
Marisa · 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 0.6
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 0.6
- 斗气招架：档案 0.4 · 参考 1.59
- 斗气反攻：档案 0.5 · 参考 0.32
明确每次量表消耗的目的
SA3：档案 50.7% · 参考 34.5%
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
- SA3：档案 50.7% · 参考 34.5%
- CA：档案 21.1% · 参考 9%
- SA1：档案 21.1% · 参考 35.7%
让斗气迸放有明确目的
斗气迸放：档案 0.3 · 参考 0.2
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 0.3 · 参考 0.2
- 斗气迸放消耗：档案 3.8% · 参考 1.9%
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7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：108场中获胜52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：108场中获胜52场
- 对阵Akuma：104场中获胜52场
- 对阵Ryu：98场中获胜50场
区分持续倾向与偶发失误
已保存的近期排位赛样本：30场中获胜16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：30场中获胜16场
寻找可重复利用的反击机会
受到惩罚反击：档案 0.2 · 参考 0.11
把统计作为观察线索。寻找你已验证在该距离能反击的动作，不要仅凭观感认定它有破绽。
试试这样做该动作出现时，尝试已确认的反击。如果对方不再使用，就恢复平常的距离控制，不必强行寻找机会。
数据依据
- 受到惩罚反击：档案 0.2 · 参考 0.11
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7日 · AI：dots-studio/dots-3-note-preview:free