最近一场对战
失败自定义房间
BL
M.BL更新于1周前
Steam
JapanC100%
SteamJapanC100%カンジ!
Beasting on Fools
MR 1,718#19,585最近 10 场4–6-22最近 20 场7–13-59
胜率
38%
13 胜 · 21 负 · 已存 34 场
排位赛对战
34
已选模式
胜场
13
排位赛
负场
21
排位赛
最高 MR
1,779
Blanka
排位 MR · Blanka
本地 30 · 导入 0 · 图表显示 30 · 已存 76 场对战
尚未请求回放
BLM.BL按差值绝对值从大到小排列23 项习惯
| 习惯 | カンジ! | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| 斗气前冲（取消） | 35.6% | 26.9% | +8.8% | |
| SA2 | 63.5% | 54.8% | +8.7% | |
| 斗气技 | 18.4% | 24.9% | -6.5% | |
| SA1 | 21.6% | 25.2% | -3.6% | |
| SA3 | 12.2% | 14.8% | -2.6% | |
| CA | 2.7% | 5.2% | -2.5% | |
| 版边压制 | 9.80 | 12.16 | -2.36 | |
| 斗气防御 | 13.6% | 12.7% | +1.0% | |
| 被困版边时间 | 8.50 | 9.41 | -0.91 | |
| 斗气前冲（招架） | 6.6% | 7.2% | -0.7% | |
| 投技 | 2.10 | 2.59 | -0.49 | |
| 斗气迸放消耗 | 1.3% | 1.7% | -0.4% | |
| 斗气反攻 | 0.10 | 0.44 | -0.34 | |
| 拆投 | 0.00 | 0.32 | -0.32 | |
| 斗气招架 | 1.80 | 1.61 | +0.19 | |
| 精准招架 | 0.70 | 0.52 | +0.18 | |
| 受到投技 | 2.10 | 2.01 | +0.09 | |
| 受到昏厥 | 0.00 | 0.06 | -0.06 | |
| 招架时被投 | 0.30 | 0.33 | -0.03 | |
| 斗气迸放 | 0.20 | 0.21 | -0.01 | |
| 造成昏厥 | 0.10 | 0.09 | +0.01 | |
| 惩罚反击命中 | 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
复盘防守决策
精准招架：档案 0.7 · 参考 0.49
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 0.7 · 参考 0.49
- 斗气招架：档案 1.8 · 参考 1.71
- 斗气反攻：档案 0.1 · 参考 0.44
明确每次量表消耗的目的
SA2：档案 63.5% · 参考 53.6%
看着实际量表回顾五次资源决策，记录换来了什么以及还剩哪些选择。使用占比本身不能衡量效率。
试试这样做练习熟悉连段的资源消耗版本与节省版本，比较结果和剩余量表，再决定各自适用的场景。
数据依据
- SA2：档案 63.5% · 参考 53.6%
追踪位置得失的过程
版边压制：档案 9.8 · 参考 12.12
回看五次被逼到角落的过程。除了最后的脱身尝试，也要找出更早交出空间的决策，并对照成功压制角落的场景。
试试这样做在训练中重现反复出现的位置，比较常用应对与较少露出破绽的替代选择，再观察下一组对战中进入角落的频率。
数据依据
- 版边压制：档案 9.8 · 参考 12.12
- 被困版边时间：档案 8.5 · 参考 9.14
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5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 0.1 · 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 0.1 · 参考 0.44
- 拆投：档案 0 · 参考 0.33
把对局战绩当作观察线索
对阵Cammy：47场中获胜35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Cammy：47场中获胜35场
- 对阵Juri：43场中获胜23场
- 对阵Luke：28场中获胜21场
区分持续倾向与偶发失误
已保存的近期排位赛样本：27场中获胜10场
研究多场近期比赛，对照胜局与败局。围绕重复场景准备，不要只记住一次显眼失误。
试试这样做用第一回合验证一个观察假设。若重复出现，就应用准备好的调整；若没有，就放弃假设并观察新模式。
数据依据
- 已保存的近期排位赛样本：27场中获胜10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5日 · AI：dots-studio/dots-3-note-preview:free