钢岚:卡米拉先遣实战评测报告!真就是大佬强如龙平民弱似虫么?

2024年2月3日 27点热度 0人点赞 0条评论

钢岚:卡米拉先遣实战评测报告!真就是大佬强如龙平民弱似虫么?-悟饭游戏厅

大家好,我是有点不知言语的何二维一。

今天的攻略我们正式来说说卡米拉这位新春全新角色的卡米拉的先遣评测报告,这份报告维一并不敢说已经囊括了有关卡米拉的全部使用反馈,但我会尽量公正、公允的给大家呈现一个不同类型玩家手中的卡米拉强度,希望能给朋友们一些小小的帮助。

钢岚:卡米拉先遣实战评测报告!真就是大佬强如龙平民弱似虫么?-悟饭游戏厅

在昨天的文章中维一也说了,综合占游戏玩家数量多数的普通玩家和少数的大佬玩家的共同反馈,维一会将之前预期的卡米拉T1强度评级暂时下调为T2评级,而之前预期给到T1的原因就是因为当时更多考虑的是高练度下的使用感受,而没有兼容中低练度下的使用反馈。

那今天攻略的标题大家也都看到了,维一水友群里有朋友称卡米拉的使用就好似“大佬龙,贫民虫”的感觉,其实这里维一也稍微做了修改,大佬龙这个是没有任何问题的,但贫民虫的“贫民”二字维一给改成了平民,因为在我的观念中,平民玩家的囊括范围应该会稍微比贫民玩家要大点......

那为什么卡米拉会出现类似于这样的反馈呢?接着我们就来简单分析下卡米拉的优势和不足,此外还有其中的衍生利弊到底在哪?

钢岚:卡米拉先遣实战评测报告!真就是大佬强如龙平民弱似虫么?-悟饭游戏厅

那么卡米拉的优势其实非常明显,总结有以下几条:

  • 重甲的基础防御便有一定保障,同时其天赋赋予的【磁能覆甲】也有一定的护甲加成,让其抗伤能力进而得到提升
  • 直线移动力+1的特点虽然不能完全解决卡米拉腿短的劣势,但也能一定程度上缓解这点了
  • 【死斗】技能的连续输出在单次攻击中可以打出极为夸张的伤害,在格斗家领域里可以算是目前单次输出的王者了
  • 大招的【誓言】所具备的“类嘲讽”效果可以在部分关卡中体现出一定的战术价值,这点在当前版本中的不可替代性还是比较高的

钢岚:卡米拉先遣实战评测报告!真就是大佬强如龙平民弱似虫么?-悟饭游戏厅

当然,一位角色我们也得分两面来看待,卡米拉的确具备很多优势,但是也同样具备很多不足,这里维一也给大家做个汇总:

  • 作为重甲格斗,对比同为格斗职业的白月、虹、凯瑟琳等角色,卡米拉的移动能力依然会有些许不足
  • 【死斗】技能单次输出虽很高,但因为AP消耗量过大等问题,持续性并不算好,常规战斗带上这个技能尤其会显现这个问题,如果同时带【热诚】的话也会有其自身的不足(例如缺失移动或对躯干增伤等),并且【死斗】在面对高等级敌人时,对于卡米拉自身的练度要求会比较高,这也是刚刚提到大佬龙平民虫的一个原因,因为你扛不住对方反击的话,即使有再高的预期伤害其实也打不出来,而且【死斗】要想进行下去,对方是必然需要反击的
  • 作为另一个主C技能选择的【骤击】,其虽然总攻击倍率高达1.7倍,同时有20%的躯干命中率提升,但大家需要注意的是这两下输出是分开计算的,所以单次的输出倍率只有0.85倍,而想要两次输出都打到躯干部位上,其几率则并不算高......这也导致这个技能想要打中躯干,稍微S/L以下难度并不算大,但是想打死敌人就有点难了,因为0.85倍的倍率很难能够稳定击杀敌方,而两次同时打中躯干的1.7倍率概率又很低,所以......
  • 卡米拉的防御能力的确不错,但在练度一般的前提下,其实大家也不要抱太高期待,特别是【死斗】的这种互殴打法,毕竟吸血、加护甲等操作都需要【死斗】技能打完后才能享受到,所以过程中能不能抗住就是个问题了,此外【磁能覆甲】的消耗有时也会比预期中快很多,例如对方如果有“警戒射击”、“先守反击”这些效果就比较恶心了

而以上几点便是维一目前能想到的一些不足之处了,所以卡米拉要想好用,就必须是打的出(AP要够)+打得猛(伤害要够)+扛的住(防御/血量要够)才行,而普通玩家想要满足这3点还是有点难的,所以针对卡米拉+龙雀在不同品阶下的使用反馈,开玩笑的一个比喻便是:

  • 0-1潜能卡米拉+金1龙雀≈凯瑟琳
  • 2-3潜能卡米拉+金2龙雀≈没开大招的白月
  • 3-4潜能卡米拉+金3龙雀≈开大招的白月
  • 5潜能卡米拉+彩甲龙雀≈芙烈达

因此大家便可以根据自己的实力来对号入座了,这里也简单说明下,因为卡米拉上线才1天的时间,其也存在一定的口碑逆袭潜力,所以不排除未来会有进一步强度调整可能性,但只鉴于目前的使用反馈而言,针对大部分资源不多的普通玩家,维一并不建议大家去抽卡米拉,但大佬玩家就请随意了,不过大佬玩家对于哪个角色又不是随意呢,哈哈,所以今天的攻略内容大家参考参考即可。

声明:个人原创,仅供参考

fengjun

这个人很懒,什么都没留下

猜你喜欢

文章评论

此站点使用Akismet来减少垃圾评论。了解我们如何处理您的评论数据