预测用于赛事研究，不代表确定赛果
临场阵容、选边、BP决策与版本理解都可能显著改变比赛走向，概率应结合更新时间与可信区间阅读。
以下卡片为界面预览，用于展示正式比赛数据接入后的预测结构与筛选方式。
正式数据可按日期、赛区、阶段、状态和赛制组合筛选
Illustrative Data · 示例数据，不是当前赛程或实时预测
示例战队 A
预测
62% : 38%
示例战队 B
近期状态
A略优
版本适应
接近
阵容稳定
待确认
示例战队 C
预测
53% : 47%
示例战队 D
近期状态
接近
对手强度
C略优
BP变量
较高
模型需要确认参赛双方、比赛版本、赛制和可用阵容后，才会生成可解释的预测结果。
刷新真实赛事数据区分系列赛胜负与小局效率，避免用少量比赛的连胜过度外推。
面对强队取得的稳定表现，与对阵较弱样本形成的高胜率具有不同权重。
临时换人、角色调整与磨合时间会降低历史样本对当前阵容的解释力。
结合前期节奏、资源控制、终结能力与劣势局韧性，而不是只读取最终比分。
模型中的基础实力并不等于最终BP后的胜率。补丁变化、英雄池限制和选边结果会带来新的条件信息。
版本强势英雄、装备改动和地图节奏可能放大不同队伍的风格优势。
英雄使用限制会提高阵容深度的重要性，并让后续小局更依赖储备与临场调整。
优先选择权与地图侧选择可能影响关键英雄获取、战术暴露顺序及BP压力。
赛制越长，单局偶然性越容易被摊薄，但英雄池、体力、教练组调整和连续对局适应的重要性也随之上升。
预测页面会区分数据截止时间与页面访问时间。若阵容、补丁、赛制或开赛状态发生变化，旧概率可能不再适用于当前条件。
说明战绩、阵容和比赛过程数据更新到哪个节点。
标注首发、替补与位置调整是否已经纳入模型。
确认版本、选边和比赛状态，避免读取已经失效的赛前条件。
