最近一场对战
失败排位赛
TE
LITE更新于1天前
Steam
JapanC100%
SteamJapanC100%あぜしと
OK!
MR 1,725#20,959最近 10 场3–7-29最近 20 场7–13-46
胜率
51%
83 胜 · 80 负 · 已存 163 场
排位赛对战
163
已选模式
胜场
83
排位赛
负场
80
排位赛
最高 MR
1,757
Terry
排位 MR · Terry
本地 163 · 导入 0 · 图表显示 163 · 已存 242 场对战
尚未请求回放
TELITE按差值绝对值从大到小排列23 项习惯
| 习惯 | あぜしと | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| 斗气前冲（取消） | 23.3% | 33.4% | -10.2% | |
| 斗气防御 | 20.8% | 14.3% | +6.5% | |
| CA | 14.6% | 9.0% | +5.6% | |
| 斗气技 | 20.6% | 16.3% | +4.3% | |
| SA2 | 20.8% | 24.5% | -3.7% | |
| SA3 | 29.2% | 32.8% | -3.7% | |
| 斗气前冲（招架） | 11.8% | 8.2% | +3.6% | |
| 版边压制 | 9.50 | 12.45 | -2.95 | |
| SA1 | 35.4% | 33.6% | +1.8% | |
| 斗气招架 | 3.00 | 1.89 | +1.11 | |
| 斗气迸放消耗 | 0.9% | 1.6% | -0.8% | |
| 受到投技 | 1.60 | 2.21 | -0.61 | |
| 精准招架 | 0.40 | 0.80 | -0.40 | |
| 拆投 | 0.20 | 0.43 | -0.23 | |
| 斗气迸放 | 0.10 | 0.21 | -0.11 | |
| 投技 | 2.40 | 2.49 | -0.09 | |
| 斗气反攻 | 0.10 | 0.17 | -0.07 | |
| 造成昏厥 | 0.00 | 0.07 | -0.07 | |
| 受到昏厥 | 0.10 | 0.05 | +0.05 | |
| 被困版边时间 | 9.70 | 9.65 | +0.05 | |
| 招架时被投 | 0.30 | 0.26 | +0.04 | |
| 惩罚反击命中 | 0.10 | 0.12 | -0.02 | |
| 受到惩罚反击 | 0.10 | 0.09 | +0.01 |
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。
Juri · 最近100场
需要改进的地方
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 0.11
明确每次量表消耗的目的
SA3：档案 44.1% · 参考 34.6%
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
- SA3：档案 44.1% · 参考 34.6%
- SA2：档案 2.9% · 参考 15.8%
- SA1：档案 14.7% · 参考 39.6%
让斗气迸放有明确目的
斗气迸放：档案 0.1 · 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 0.1 · 参考 0.24
- 斗气迸放消耗：档案 1.3% · 参考 1.8%
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Juri：22场中获胜10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Juri：22场中获胜10场
- 对阵Char 253：309场中获胜167场
- 对阵Ryu：35场中获胜17场
区分持续倾向与偶发失误
已保存的近期排位赛样本：25场中获胜13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：25场中获胜13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
Terry · 最近100场
需要改进的地方
找出惩罚反击的原因
受到惩罚反击：档案 0.2 · 参考 0.09
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 0.09
- 惩罚反击命中：档案 0.1 · 参考 0.13
复盘防守决策
斗气招架：档案 3.3 · 参考 1.84
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 3.3 · 参考 1.84
- 精准招架：档案 0.5 · 参考 0.73
- 斗气反攻：档案 0.1 · 参考 0.23
明确每次量表消耗的目的
SA3：档案 44.1% · 参考 29.9%
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
- SA3：档案 44.1% · 参考 29.9%
- CA：档案 38.2% · 参考 8.7%
- SA1：档案 14.7% · 参考 34.2%
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Char 253：1,262场中获胜650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Char 253：1,262场中获胜650场
- 对阵Dee Jay：131场中获胜66场
- 对阵Ryu：112场中获胜52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