最近一场对战
失败排位赛
AK
LUAK更新于21小时前
Steam
JapanM100%
SteamJapanM100%omle.t.s
Let's Do This
MR 1,433#491,479最近 10 场4–6-10最近 20 场8–12-24
胜率
49%
72 胜 · 75 负 · 已存 147 场
排位赛对战
147
已选模式
胜场
72
排位赛
负场
75
排位赛
最高 MR
1,553
Akuma
排位 MR · Akuma
本地 125 · 导入 0 · 图表显示 125 · 已存 147 场对战
尚未请求回放
AKLUAK按差值绝对值从大到小排列23 项习惯
| 习惯 | omle.t.s | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| CA | 32.2% | 9.9% | +22.3% | |
| SA3 | 27.1% | 38.7% | -11.6% | |
| SA1 | 20.3% | 28.6% | -8.3% | |
| 斗气技 | 16.3% | 19.2% | -2.9% | |
| 斗气迸放消耗 | 4.3% | 1.5% | +2.8% | |
| SA2 | 20.3% | 22.8% | -2.4% | |
| 斗气前冲（取消） | 30.3% | 32.7% | -2.4% | |
| 版边压制 | 9.90 | 11.47 | -1.57 | |
| 被困版边时间 | 9.60 | 8.55 | +1.05 | |
| 斗气前冲（招架） | 8.4% | 7.4% | +1.0% | |
| 投技 | 3.70 | 2.74 | +0.96 | |
| 斗气防御 | 12.4% | 13.1% | -0.8% | |
| 受到投技 | 2.70 | 2.09 | +0.61 | |
| 精准招架 | 0.20 | 0.77 | -0.57 | |
| 斗气迸放 | 0.60 | 0.20 | +0.40 | |
| 拆投 | 0.80 | 0.45 | +0.35 | |
| 斗气招架 | 1.40 | 1.65 | -0.25 | |
| 惩罚反击命中 | 0.30 | 0.13 | +0.17 | |
| 受到惩罚反击 | 0.20 | 0.09 | +0.11 | |
| 受到昏厥 | 0.00 | 0.04 | -0.04 | |
| 造成昏厥 | 0.00 | 0.03 | -0.03 | |
| 招架时被投 | 0.30 | 0.27 | +0.03 | |
| 斗气反攻 | 0.20 | 0.20 | +0.00 |
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。
Akuma · 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 1.1 · 参考 0.21
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 1.1 · 参考 0.21
- 斗气迸放消耗：档案 11.3% · 参考 1.6%
找出惩罚反击的原因
惩罚反击命中：档案 0.7 · 参考 0.13
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 0.7 · 参考 0.13
- 受到惩罚反击：档案 0.3 · 参考 0.08
复盘防守决策
精准招架：档案 0.3 · 参考 0.85
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 0.3 · 参考 0.85
- 斗气招架：档案 1.4 · 参考 1.8
- 斗气反攻：档案 0.4 · 参考 0.22
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9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：25场中获胜14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：25场中获胜14场
- 对阵M. Bison：15场中获胜7场
- 对阵Ryu：21场中获胜12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9日 · AI：dots-studio/dots-3-note-preview:free