最近一场对战
胜利自定义房间
EL
INEL更新于23小时前
Steam
JapanM100%
SteamJapanM100%|ジン｜
Team CR
MR 1,456#445,096最近 10 场1–0最近 20 场1–0
胜率
100%
1 胜 · 0 负 · 已存 1 场
排位赛对战
1
已选模式
胜场
1
排位赛
负场
0
排位赛
最高 MR
1,456
Elena
排位 MR · Elena
本地 0 · 导入 1 · 图表显示 1 · 已存 238 场对战
此时间范围内的排位 MR 数据不足。
尚未请求回放
ELINEL按差值绝对值从大到小排列23 项习惯
| 习惯 | |ジン｜ | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| 斗气前冲（取消） | 12.1% | 31.0% | -19.0% | |
| SA1 | 12.7% | 31.4% | -18.7% | |
| 斗气迸放消耗 | 14.0% | 1.2% | +12.8% | |
| SA3 | 41.3% | 32.8% | +8.5% | |
| SA2 | 33.3% | 26.3% | +7.0% | |
| 被困版边时间 | 2.50 | 9.26 | -6.76 | |
| 斗气防御 | 19.8% | 13.8% | +6.0% | |
| CA | 12.7% | 9.5% | +3.2% | |
| 斗气前冲（招架） | 5.8% | 7.5% | -1.7% | |
| 斗气迸放 | 1.00 | 0.15 | +0.85 | |
| 斗气招架 | 2.60 | 1.85 | +0.75 | |
| 版边压制 | 13.60 | 13.06 | +0.54 | |
| 受到投技 | 1.70 | 2.24 | -0.54 | |
| 惩罚反击命中 | 0.50 | 0.08 | +0.42 | |
| 斗气技 | 18.4% | 18.1% | +0.3% | |
| 拆投 | 0.20 | 0.54 | -0.34 | |
| 投技 | 2.40 | 2.14 | +0.26 | |
| 精准招架 | 0.60 | 0.80 | -0.20 | |
| 斗气反攻 | 0.40 | 0.22 | +0.18 | |
| 受到惩罚反击 | 0.20 | 0.07 | +0.13 | |
| 招架时被投 | 0.10 | 0.19 | -0.09 | |
| 受到昏厥 | 0.00 | 0.04 | -0.04 | |
| 造成昏厥 | 0.10 | 0.06 | +0.04 |
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。
Elena · 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 0.7 · 参考 0.17
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 0.7 · 参考 0.17
- 斗气迸放消耗：档案 12.1% · 参考 1.4%
找出惩罚反击的原因
惩罚反击命中：档案 0.4 · 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 0.4 · 参考 0.08
- 受到惩罚反击：档案 0.4 · 参考 0.07
复盘防守决策
斗气反攻：档案 0.1 · 参考 0.2
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 0.1 · 参考 0.2
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Ingrid：76场中获胜65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Ingrid：76场中获胜65场
- 对阵Akuma：62场中获胜47场
- 对阵Lily：53场中获胜31场
验证斗气迸放倾向
斗气迸放：档案 0.7 · 参考 0.17
观察特定场景下是否反复出现斗气迸放。考虑距离、硬直和量表，准备在训练中验证过的应对。
试试这样做再次进入该场景时，采用更少暴露破绽的行动。如果迸放出现，就使用练过的应对；如果没有，就回到常规计划。
数据依据
- 斗气迸放：档案 0.7 · 参考 0.17
- 斗气迸放消耗：档案 12.1% · 参考 1.4%
寻找可重复利用的反击机会
受到惩罚反击：档案 0.4 · 参考 0.07
把统计作为观察线索。寻找你已验证在该距离能反击的动作，不要仅凭观感认定它有破绽。
试试这样做该动作出现时，尝试已确认的反击。如果对方不再使用，就恢复平常的距离控制，不必强行寻找机会。
数据依据
- 受到惩罚反击：档案 0.4 · 参考 0.07
- 惩罚反击命中：档案 0.4 · 参考 0.08
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