最近一场对战
胜利排位赛
EL
CAEL更新于1周前
Steam
JapanC100%
SteamJapanC100%Calpis
It's a Pweasure to Meet You
MR 1,570#111,948最近 10 场6–4+13最近 20 场11–9+18
胜率
59%
23 胜 · 16 负 · 已存 39 场
排位赛对战
39
已选模式
胜场
23
排位赛
负场
16
排位赛
最高 MR
1,597
Elena
排位 MR · Elena
本地 39 · 导入 0 · 图表显示 39 · 已存 39 场对战
尚未请求回放
ELCAEL按差值绝对值从大到小排列23 项习惯
| 习惯 | Calpis | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA1 | 8.2% | 31.4% | -23.2% | |
| SA3 | 47.5% | 32.8% | +14.8% | |
| SA2 | 39.3% | 26.3% | +13.0% | |
| 斗气技 | 12.7% | 18.1% | -5.4% | |
| CA | 4.9% | 9.5% | -4.6% | |
| 斗气前冲（取消） | 34.6% | 31.0% | +3.6% | |
| 斗气前冲（招架） | 10.5% | 7.5% | +3.1% | |
| 被困版边时间 | 7.30 | 9.26 | -1.96 | |
| 斗气招架 | 0.80 | 1.85 | -1.05 | |
| 投技 | 1.40 | 2.14 | -0.74 | |
| 精准招架 | 0.10 | 0.80 | -0.70 | |
| 斗气迸放消耗 | 1.8% | 1.2% | +0.6% | |
| 拆投 | 0.00 | 0.54 | -0.54 | |
| 受到投技 | 1.70 | 2.24 | -0.54 | |
| 版边压制 | 13.50 | 13.06 | +0.44 | |
| 斗气反攻 | 0.00 | 0.22 | -0.22 | |
| 受到惩罚反击 | 0.20 | 0.07 | +0.13 | |
| 招架时被投 | 0.30 | 0.19 | +0.11 | |
| 造成昏厥 | 0.00 | 0.06 | -0.06 | |
| 斗气迸放 | 0.20 | 0.15 | +0.05 | |
| 斗气防御 | 13.9% | 13.8% | +0.0% | |
| 受到昏厥 | 0.00 | 0.04 | -0.04 | |
| 惩罚反击命中 | 0.10 | 0.08 | +0.02 |
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。
Elena · 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 0.08
明确每次量表消耗的目的
SA1：档案 9.8% · 参考 30.5%
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
- SA1：档案 9.8% · 参考 30.5%
- SA2：档案 41% · 参考 25.9%
- SA3：档案 44.3% · 参考 34.1%
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 1.9% · 参考 1.4%
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：65场中获胜33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：65场中获胜33场
- 对阵Yasmine：61场中获胜33场
- 对阵Ryu：48场中获胜28场
区分持续倾向与偶发失误
已保存的近期排位赛样本：22场中获胜12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：22场中获胜12场
先试探实际防守反应
斗气反攻：档案 0.1 · 参考 0.2
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
- 斗气反攻：档案 0.1 · 参考 0.2
- 拆投：档案 0 · 参考 0.46
- 精准招架：档案 0.2 · 参考 0.72
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