最近一场对战
胜利排位赛
BL
KEBL更新于2天前
Steam
JapanC100%
SteamJapanC100%ハルサメ・ジェズス
Let's Do This
MR 1,352#567,079最近 10 场6–4+18最近 20 场12–8+41
胜率
56%
52 胜 · 41 负 · 已存 93 场
排位赛对战
93
已选模式
胜场
52
排位赛
负场
41
排位赛
最高 MR
1,358
Blanka
排位 MR · Blanka
本地 93 · 导入 0 · 图表显示 93 · 已存 140 场对战
尚未请求回放
BLKEBL按差值绝对值从大到小排列23 项习惯
| 习惯 | ハルサメ・ジェズス | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA2 | 17.6% | 54.8% | -37.1% | |
| SA1 | 44.1% | 25.2% | +18.9% | |
| SA3 | 26.5% | 14.8% | +11.7% | |
| 斗气前冲（取消） | 37.4% | 26.9% | +10.6% | |
| 斗气技 | 15.0% | 24.9% | -9.9% | |
| 版边压制 | 3.30 | 12.16 | -8.86 | |
| 斗气防御 | 6.0% | 12.7% | -6.7% | |
| CA | 11.8% | 5.2% | +6.6% | |
| 被困版边时间 | 14.20 | 9.41 | +4.79 | |
| 斗气前冲（招架） | 4.3% | 7.2% | -2.9% | |
| 斗气招架 | 0.30 | 1.61 | -1.31 | |
| 受到投技 | 3.10 | 2.01 | +1.09 | |
| 斗气反攻 | 1.20 | 0.44 | +0.76 | |
| 投技 | 3.30 | 2.59 | +0.71 | |
| 拆投 | 0.90 | 0.32 | +0.58 | |
| 斗气迸放消耗 | 1.3% | 1.7% | -0.4% | |
| 精准招架 | 0.20 | 0.52 | -0.32 | |
| 受到昏厥 | 0.30 | 0.06 | +0.24 | |
| 招架时被投 | 0.20 | 0.33 | -0.13 | |
| 惩罚反击命中 | 0.20 | 0.09 | +0.11 | |
| 受到惩罚反击 | 0.20 | 0.10 | +0.10 | |
| 造成昏厥 | 0.00 | 0.09 | -0.09 | |
| 斗气迸放 | 0.20 | 0.21 | -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。
Blanka · 最近100场
需要改进的地方
追踪位置得失的过程
版边压制：档案 3.5 · 参考 12.12
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 3.5 · 参考 12.12
- 被困版边时间：档案 16.3 · 参考 9.14
找出惩罚反击的原因
受到惩罚反击：档案 0.2 · 参考 0.09
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 0.09
- 惩罚反击命中：档案 0.1 · 参考 0.12
检查近距离选择
拆投：档案 1 · 参考 0.33
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 1 · 参考 0.33
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Jamie：47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Jamie：47场中获胜20场
- 对阵Akuma：54场中获胜24场
先试探实际防守反应
斗气反攻：档案 1 · 参考 0.44
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 1 · 参考 0.44
试探近距离模式
投技：档案 3.4 · 参考 2.59
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
- 投技：档案 3.4 · 参考 2.59
- 受到投技：档案 3.2 · 参考 1.92
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