最近一场对战
失败排位赛
BL
MABL更新于6天前
Steam
JapanC100%
SteamJapanC100%カゲツボンバー
NIJISF6 Club
MR 1,987#1,281最近 10 场4–6-16最近 20 场9–11-17
胜率
44%
24 胜 · 30 负 · 已存 54 场
排位赛对战
54
已选模式
胜场
24
排位赛
负场
30
排位赛
最高 MR
2,042
Blanka
排位 MR · Blanka
本地 54 · 导入 0 · 图表显示 54 · 已存 54 场对战
尚未请求回放
BLMABL按差值绝对值从大到小排列23 项习惯
| 习惯 | カゲツボンバー | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA2 | 74.0% | 54.8% | +19.3% | |
| SA3 | 4.6% | 14.8% | -10.2% | |
| SA1 | 17.6% | 25.2% | -7.7% | |
| 斗气技 | 31.6% | 24.9% | +6.7% | |
| 斗气前冲（取消） | 21.2% | 26.9% | -5.7% | |
| 斗气前冲（招架） | 9.5% | 7.2% | +2.2% | |
| 版边压制 | 13.90 | 12.16 | +1.74 | |
| CA | 3.8% | 5.2% | -1.4% | |
| 斗气防御 | 13.1% | 12.7% | +0.4% | |
| 受到投技 | 1.60 | 2.01 | -0.41 | |
| 被困版边时间 | 9.80 | 9.41 | +0.39 | |
| 斗气招架 | 1.30 | 1.61 | -0.31 | |
| 精准招架 | 0.30 | 0.52 | -0.22 | |
| 投技 | 2.80 | 2.59 | +0.21 | |
| 斗气反攻 | 0.30 | 0.44 | -0.14 | |
| 拆投 | 0.20 | 0.32 | -0.12 | |
| 斗气迸放 | 0.10 | 0.21 | -0.11 | |
| 惩罚反击命中 | 0.00 | 0.09 | -0.09 | |
| 斗气迸放消耗 | 1.8% | 1.7% | +0.1% | |
| 招架时被投 | 0.40 | 0.33 | +0.07 | |
| 受到昏厥 | 0.10 | 0.06 | +0.04 | |
| 造成昏厥 | 0.10 | 0.09 | +0.01 | |
| 受到惩罚反击 | 0.10 | 0.10 | +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。
Blanka · 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 · 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 · 参考 0.12
- 受到惩罚反击：档案 0.1 · 参考 0.09
让斗气迸放有明确目的
斗气迸放：档案 0.1 · 参考 0.25
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 0.1 · 参考 0.25
- 斗气迸放消耗：档案 1.8% · 参考 1.9%
复盘防守决策
斗气反攻：档案 0.3 · 参考 0.44
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 0.3 · 参考 0.44
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Luke：63场中获胜38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Luke：63场中获胜38场
- 对阵JP：42场中获胜21场
- 对阵Ryu：40场中获胜24场
寻找可重复利用的反击机会
惩罚反击命中：档案 0 · 参考 0.12
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
- 惩罚反击命中：档案 0 · 参考 0.12
- 受到惩罚反击：档案 0.1 · 参考 0.09
先试探实际防守反应
斗气反攻：档案 0.3 · 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 0.3 · 参考 0.44
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