最近一场对战
胜利排位赛
RA
YA
DE更新于2天前
CrossPlatform
JapanC100%
CrossPlatformJapanC100%Halo14
Whirlwind Striker
MR 1,466#409,621最近 10 场7–3+31最近 20 场13–7+39
胜率
50%
150 胜 · 152 负 · 已存 302 场
排位赛对战
302
已选模式
胜场
150
排位赛
负场
152
排位赛
最高 MR
1,543
Dee Jay
排位 MR · Dee Jay
本地 301 · 导入 0 · 图表显示 301 · 已存 302 场对战
尚未请求回放
RAYADE按差值绝对值从大到小排列23 项习惯
| 习惯 | Halo14 | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA2 | 76.4% | 21.3% | +55.0% | |
| SA3 | 2.4% | 33.8% | -31.4% | |
| 斗气前冲（取消） | 45.7% | 23.0% | +22.7% | |
| 斗气技 | 6.8% | 24.7% | -17.9% | |
| SA1 | 21.3% | 36.2% | -14.9% | |
| CA | 0.0% | 8.7% | -8.7% | |
| 斗气前冲（招架） | 6.5% | 8.9% | -2.4% | |
| 斗气防御 | 12.9% | 15.1% | -2.2% | |
| 被困版边时间 | 10.20 | 9.11 | +1.09 | |
| 投技 | 3.40 | 2.38 | +1.02 | |
| 受到投技 | 2.90 | 2.20 | +0.70 | |
| 斗气迸放消耗 | 2.3% | 1.8% | +0.5% | |
| 版边压制 | 11.80 | 12.23 | -0.43 | |
| 斗气招架 | 2.10 | 1.76 | +0.34 | |
| 拆投 | 0.70 | 0.43 | +0.27 | |
| 招架时被投 | 0.50 | 0.25 | +0.25 | |
| 精准招架 | 0.40 | 0.57 | -0.17 | |
| 斗气反攻 | 0.30 | 0.19 | +0.11 | |
| 惩罚反击命中 | 0.20 | 0.13 | +0.07 | |
| 斗气迸放 | 0.30 | 0.24 | +0.06 | |
| 造成昏厥 | 0.10 | 0.07 | +0.03 | |
| 受到昏厥 | 0.10 | 0.07 | +0.03 | |
| 受到惩罚反击 | 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。
Rashid · 最近100场
需要改进的地方
让斗气迸放有明确目的
斗气迸放：档案 0.3 · 参考 0.25
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 0.25
- 斗气迸放消耗：档案 2.3% · 参考 2%
复盘防守决策
精准招架：档案 0.4 · 参考 0.61
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 0.4 · 参考 0.61
- 斗气招架：档案 2.1 · 参考 1.77
- 斗气反攻：档案 0.3 · 参考 0.31
明确每次量表消耗的目的
SA2：档案 76.4% · 参考 56%
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
- SA2：档案 76.4% · 参考 56%
- SA3：档案 2.4% · 参考 16.6%
- CA：档案 0% · 参考 4.7%
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12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Ryu：48场中获胜20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Ryu：48场中获胜20场
- 对阵Akuma：42场中获胜27场
- 对阵Luke：39场中获胜11场
区分持续倾向与偶发失误
已保存的近期排位赛样本：100场中获胜50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：100场中获胜50场
试探近距离模式
拆投：档案 0.7 · 参考 0.37
观察实际的打击、投技和防守选择。出现倾向后，再改变熟悉攻防中的一个部分。
试试这样做同样的反应连续出现两次后，尝试不同选择。如果对方改变反应，就重新混合选项，不要认定这个模式永远有效。
数据依据
- 拆投：档案 0.7 · 参考 0.37
- 投技：档案 3.4 · 参考 2.64
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12日 · AI：dots-studio/dots-3-note-preview:free