最近一场对战
胜利排位赛
LU
ELLU
Steam
JapanM100%punimaro
True Master
MR 1,602#81,891最近 10 场5–5+5最近 20 场13–7+50
胜率
60%
24 胜 · 16 负 · 已存 40 场
排位赛对战
40
已选模式
胜场
24
排位赛
负场
16
排位赛
最高 MR
1,710
Luke
排位 MR · Luke
本地 38 · 导入 0 · 图表显示 38 · 已存 40 场对战
尚未请求回放
LUELLU按差值绝对值从大到小排列23 项习惯
| 习惯 | punimaro | 顶尖玩家 | 差异 | 较少顶尖玩家较多 |
|---|---|---|---|---|
| SA2 | 9.7% | 26.0% | -16.3% | |
| SA3 | 44.4% | 34.2% | +10.3% | |
| 斗气迸放消耗 | 8.8% | 1.4% | +7.4% | |
| 斗气前冲（取消） | 31.2% | 37.3% | -6.1% | |
| CA | 15.3% | 9.2% | +6.1% | |
| 斗气技 | 22.6% | 16.7% | +5.9% | |
| 斗气防御 | 9.2% | 13.2% | -4.0% | |
| 版边压制 | 15.40 | 13.55 | +1.85 | |
| 被困版边时间 | 7.20 | 8.74 | -1.54 | |
| 斗气招架 | 0.70 | 1.80 | -1.10 | |
| 投技 | 1.70 | 2.43 | -0.73 | |
| 斗气迸放 | 0.80 | 0.19 | +0.61 | |
| 受到投技 | 1.40 | 2.01 | -0.61 | |
| 精准招架 | 0.10 | 0.69 | -0.59 | |
| 斗气前冲（招架） | 7.2% | 7.6% | -0.4% | |
| 受到惩罚反击 | 0.40 | 0.06 | +0.34 | |
| 惩罚反击命中 | 0.40 | 0.08 | +0.32 | |
| 拆投 | 0.10 | 0.37 | -0.27 | |
| SA1 | 30.6% | 30.6% | -0.1% | |
| 受到昏厥 | 0.10 | 0.06 | +0.04 | |
| 造成昏厥 | 0.10 | 0.07 | +0.03 | |
| 招架时被投 | 0.20 | 0.22 | -0.02 | |
| 斗气反攻 | 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。
Luke · 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 0.8 · 参考 0.17
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 0.8 · 参考 0.17
- 斗气迸放消耗：档案 8.8% · 参考 1.3%
找出惩罚反击的原因
惩罚反击命中：档案 0.4 · 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
- 惩罚反击命中：档案 0.4 · 参考 0.08
- 受到惩罚反击：档案 0.4 · 参考 0.06
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6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Alex：86场中获胜68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Alex：86场中获胜68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15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15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6日 · AI：dots-studio/dots-3-note-preview:free