最近一场对战
胜利排位赛
LI
JPLI更新于13小时前
Steam
JapanM100%
SteamJapanM100%相模五郎六郎六十八郎五郎三郎
Let's Do This
LP 8,944最近 10 场9–1最近 20 场15–5
胜率
56%
56 胜 · 44 负 · 已存 100 场
排位赛对战
100
已选模式
胜场
56
排位赛
负场
44
排位赛
最高 LP
8,944
Lily
排位 LP · Lily
此角色的 LP 走势
尚未请求回放
LIJPLI按差值绝对值从大到小排列23 项习惯
| 习惯 | 相模五郎六郎六十八郎五郎三郎 | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA1 | 1.4% | 43.9% | -42.4% | |
| SA3 | 60.9% | 24.1% | +36.7% | |
| 斗气技 | 54.6% | 21.8% | +32.8% | |
| 斗气前冲（取消） | 0.9% | 29.4% | -28.5% | |
| CA | 30.4% | 8.4% | +22.1% | |
| SA2 | 7.2% | 23.6% | -16.3% | |
| 斗气防御 | 5.7% | 12.6% | -6.9% | |
| 被困版边时间 | 4.60 | 10.55 | -5.95 | |
| 斗气迸放消耗 | 7.6% | 2.1% | +5.5% | |
| 版边压制 | 4.70 | 8.87 | -4.17 | |
| 斗气招架 | 0.10 | 1.96 | -1.86 | |
| 斗气前冲（招架） | 4.9% | 6.0% | -1.1% | |
| 受到惩罚反击 | 0.90 | 0.14 | +0.76 | |
| 投技 | 1.80 | 2.52 | -0.72 | |
| 精准招架 | 0.00 | 0.65 | -0.65 | |
| 拆投 | 0.00 | 0.55 | -0.55 | |
| 斗气迸放 | 0.70 | 0.24 | +0.46 | |
| 受到投技 | 2.00 | 2.35 | -0.35 | |
| 斗气反攻 | 0.00 | 0.32 | -0.32 | |
| 惩罚反击命中 | 0.40 | 0.17 | +0.23 | |
| 招架时被投 | 0.10 | 0.26 | -0.16 | |
| 造成昏厥 | 0.00 | 0.08 | -0.08 | |
| 受到昏厥 | 0.00 | 0.06 | -0.06 |
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。
Lily · 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 0.24
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 0.24
- 斗气迸放消耗：档案 7.6% · 参考 2.1%
找出惩罚反击的原因
惩罚反击命中：档案 0.4 · 参考 0.17
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 0.17
- 受到惩罚反击：档案 0.9 · 参考 0.14
检查近距离选择
投技：档案 1.8 · 参考 2.52
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
- 投技：档案 1.8 · 参考 2.52
- 受到投技：档案 2 · 参考 2.35
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16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Zangief：39场中获胜16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Zangief：39场中获胜16场
- 对阵Ken：40场中获胜18场
- 对阵Char 253：393场中获胜162场
区分持续倾向与偶发失误
已保存的近期排位赛样本：98场中获胜54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：98场中获胜54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16日 · AI：dots-studio/dots-3-note-preview:free