最近一场对战
失败排位赛
AK
RAAK更新于2天前
Steam
JapanC100%
SteamJapanC100%のめるらーゆ
Let's Do This
MR 1,400#532,301最近 10 场6–4+13最近 20 场11–9+10
胜率
53%
52 胜 · 47 负 · 已存 99 场
排位赛对战
99
已选模式
胜场
52
排位赛
负场
47
排位赛
最高 MR
1,428
Akuma
排位 MR · Akuma
本地 99 · 导入 0 · 图表显示 99 · 已存 99 场对战
尚未请求回放
AKRAAK按差值绝对值从大到小排列23 项习惯
| 习惯 | のめるらーゆ | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| 斗气前冲（取消） | 46.1% | 32.7% | +13.4% | |
| CA | 21.4% | 9.9% | +11.5% | |
| SA2 | 11.9% | 22.8% | -10.9% | |
| 斗气技 | 28.6% | 19.2% | +9.4% | |
| 斗气防御 | 3.9% | 13.1% | -9.2% | |
| SA1 | 21.4% | 28.6% | -7.2% | |
| SA3 | 45.2% | 38.7% | +6.6% | |
| 斗气前冲（招架） | 1.3% | 7.4% | -6.1% | |
| 版边压制 | 9.80 | 11.47 | -1.67 | |
| 斗气招架 | 0.80 | 1.65 | -0.85 | |
| 被困版边时间 | 7.70 | 8.55 | -0.85 | |
| 投技 | 2.10 | 2.74 | -0.64 | |
| 精准招架 | 0.20 | 0.77 | -0.57 | |
| 拆投 | 0.10 | 0.45 | -0.35 | |
| 受到投技 | 1.80 | 2.09 | -0.29 | |
| 斗气反攻 | 0.40 | 0.20 | +0.20 | |
| 招架时被投 | 0.10 | 0.27 | -0.17 | |
| 斗气迸放消耗 | 1.6% | 1.5% | +0.1% | |
| 受到惩罚反击 | 0.20 | 0.09 | +0.11 | |
| 受到昏厥 | 0.10 | 0.04 | +0.06 | |
| 造成昏厥 | 0.00 | 0.03 | -0.03 | |
| 惩罚反击命中 | 0.10 | 0.13 | -0.03 | |
| 斗气迸放 | 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
检查近距离选择
拆投：档案 0 · 参考 0.38
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 0 · 参考 0.38
- 受到投技：档案 1.7 · 参考 2.04
复盘防守决策
斗气招架：档案 0.9 · 参考 1.8
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
- 斗气招架：档案 0.9 · 参考 1.8
- 精准招架：档案 0.2 · 参考 0.85
找出惩罚反击的原因
受到惩罚反击：档案 0.2 · 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
- 受到惩罚反击：档案 0.2 · 参考 0.08
- 惩罚反击命中：档案 0.1 · 参考 0.13
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
先试探实际防守反应
斗气反攻：档案 0.6 · 参考 0.22
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 0.6 · 参考 0.22
试探近距离模式
拆投：档案 0 · 参考 0.38
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
- 拆投：档案 0 · 参考 0.38
- 受到投技：档案 1.7 · 参考 2.04
把对局战绩当作观察线索
对阵Akuma：229场中获胜113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：229场中获胜113场
- 对阵Ryu：220场中获胜110场
- 对阵Alex：160场中获胜82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7日 · AI：dots-studio/dots-3-note-preview:free