最近一场对战
失败排位赛
EL
C.
LU更新于6小时前
Steam
JapanM95%
SteamJapanM95%SIN＿46
Uwo! Uwo!
MR 1,836#6,605最近 10 场3–7-17最近 20 场11–9+36
胜率
47%
76 胜 · 85 负 · 已存 161 场
排位赛对战
161
已选模式
胜场
76
排位赛
负场
85
排位赛
最高 MR
1,899
Luke
排位 MR · Luke
本地 157 · 导入 0 · 图表显示 157 · 已存 211 场对战
尚未请求回放
ELC.LU按差值绝对值从大到小排列23 项习惯
| 习惯 | SIN＿46 | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA2 | 11.1% | 26.0% | -14.9% | |
| SA1 | 43.1% | 30.6% | +12.4% | |
| CA | 12.5% | 9.2% | +3.3% | |
| 被困版边时间 | 11.30 | 8.74 | +2.56 | |
| 斗气前冲（取消） | 39.9% | 37.3% | +2.6% | |
| 版边压制 | 12.00 | 13.55 | -1.55 | |
| 斗气前冲（招架） | 6.3% | 7.6% | -1.3% | |
| 斗气防御 | 12.2% | 13.2% | -1.0% | |
| 斗气技 | 15.8% | 16.7% | -0.9% | |
| 投技 | 3.30 | 2.43 | +0.87 | |
| 斗气迸放消耗 | 2.3% | 1.4% | +0.9% | |
| SA3 | 33.3% | 34.2% | -0.8% | |
| 受到投技 | 2.70 | 2.01 | +0.69 | |
| 拆投 | 1.00 | 0.37 | +0.63 | |
| 斗气招架 | 2.10 | 1.80 | +0.30 | |
| 斗气反攻 | 0.10 | 0.20 | -0.10 | |
| 精准招架 | 0.60 | 0.69 | -0.09 | |
| 受到昏厥 | 0.00 | 0.06 | -0.06 | |
| 受到惩罚反击 | 0.10 | 0.06 | +0.04 | |
| 造成昏厥 | 0.10 | 0.07 | +0.03 | |
| 招架时被投 | 0.20 | 0.22 | -0.02 | |
| 惩罚反击命中 | 0.10 | 0.08 | +0.02 | |
| 斗气迸放 | 0.20 | 0.19 | +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。
Luke · 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 0.4 · 参考 0.19
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 0.4 · 参考 0.19
- 斗气迸放消耗：档案 3.9% · 参考 1.4%
复盘防守决策
斗气招架：档案 3.3 · 参考 1.8
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
- 斗气招架：档案 3.3 · 参考 1.8
- 精准招架：档案 1.2 · 参考 0.69
找出惩罚反击的原因
惩罚反击命中：档案 0.3 · 参考 0.08
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
- 惩罚反击命中：档案 0.3 · 参考 0.08
- 受到惩罚反击：档案 0.2 · 参考 0.06
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Akuma：64场中获胜46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Akuma：64场中获胜46场
- 对阵Yasmine：57场中获胜32场
- 对阵Terry：46场中获胜31场
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