最近一场对战
胜利排位赛
AL
RYAL更新于2天前
Steam
JapanC100%
SteamJapanC100%まろめざ
Let the Good Times Roll!
LP 19,044最近 10 场7–3最近 20 场12–8
胜率
60%
115 胜 · 77 负 · 已存 192 场
排位赛对战
192
已选模式
胜场
115
排位赛
负场
77
排位赛
最高 LP
19,044
Alex
排位 LP · Alex
此角色的 LP 走势
尚未请求回放
ALRYAL按差值绝对值从大到小排列23 项习惯
| 习惯 | まろめざ | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA2 | 62.5% | 28.4% | +34.1% | |
| SA1 | 28.6% | 43.0% | -14.4% | |
| 斗气迸放消耗 | 15.7% | 1.7% | +14.0% | |
| SA3 | 8.9% | 22.1% | -13.2% | |
| 斗气前冲（取消） | 22.6% | 33.0% | -10.4% | |
| CA | 0.0% | 6.5% | -6.5% | |
| 被困版边时间 | 6.30 | 9.88 | -3.58 | |
| 斗气迸放 | 1.10 | 0.20 | +0.90 | |
| 投技 | 1.50 | 2.32 | -0.82 | |
| 精准招架 | 0.00 | 0.70 | -0.70 | |
| 斗气前冲（招架） | 7.5% | 8.2% | -0.7% | |
| 斗气防御 | 14.8% | 14.1% | +0.7% | |
| 受到投技 | 1.50 | 2.12 | -0.62 | |
| 斗气技 | 13.7% | 14.2% | -0.5% | |
| 受到惩罚反击 | 0.60 | 0.12 | +0.48 | |
| 拆投 | 0.00 | 0.48 | -0.48 | |
| 斗气反攻 | 0.00 | 0.47 | -0.47 | |
| 惩罚反击命中 | 0.50 | 0.12 | +0.38 | |
| 招架时被投 | 0.00 | 0.29 | -0.29 | |
| 斗气招架 | 1.40 | 1.63 | -0.23 | |
| 版边压制 | 8.80 | 9.01 | -0.21 | |
| 受到昏厥 | 0.10 | 0.05 | +0.05 | |
| 造成昏厥 | 0.10 | 0.07 | +0.03 |
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。
Alex · 最近100场
需要改进的地方
找出惩罚反击的原因
惩罚反击命中：档案 0.9 · 参考 0.12
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 0.9 · 参考 0.12
让斗气迸放有明确目的
斗气迸放：档案 1.7 · 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 1.7 · 参考 0.2
- 斗气迸放消耗：档案 23.2% · 参考 1.7%
复盘防守决策
斗气反攻：档案 0 · 参考 0.47
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
- 斗气反攻：档案 0 · 参考 0.47
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6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：41场中获胜23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：41场中获胜23场
- 对阵Ingrid：40场中获胜23场
- 对阵Luke：34场中获胜18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6日 · AI：dots-studio/dots-3-note-preview:free