17-0 是怎么算出来的
好奇 17-0 挑战是怎么把九名球员变成一个胜负战绩的？这里用大白话讲清模拟引擎到底做了什么。
简短答案
你选编完九名球员后，引擎为每个阵容位置赋予权重——四分卫最高——把每个综合评分归一化，求出加权总分，再把它代入一条非线性胜场曲线，推演出一个最高可达完美 17-0 的战绩。哪怕只有一个弱位置，都会压低你的上限，无论阵容其余部分多强。
位置权重
并非每个位置同等重要。四分卫在引擎里权重最高，因为冠军始于中锋身后。进攻锋线、边锋冲击和后场也都带有实打实的权重，而单个技术位置对结果的影响相对小一些。你阵容的实力是全部九个位置的加权和，所以一套均衡的阵容会胜过一套外接手顶尖、其余处处单薄的阵容。
这就是为什么堆满技术位置的阵容表现不及预期：它看着火力四射，却放弃了攻防线，而引擎会惩罚这种失衡。
非线性胜场曲线
阵容总实力并不会笔直地换算成胜场。引擎把你的加权总分代入一条曲线，每多赢一场所需的天赋都递增得更多。从 9 胜涨到 11 胜很便宜；从 14 胜涨到 16 胜则贵得离谱。正是这条曲线，让 17-0 即便有顶级阵容也如此罕见——最后那一两场胜利需要一支近乎完美的球队。
门槛：为什么一个漏洞就能拖垮你
在曲线之上，阵容还设有门槛。如果你的四分卫评分太低，引擎就会给你的预测胜场封顶，无论阵容其余部分多强——你没法靠一个替补打出完美赛季。第二道门槛会在阵容任何地方出现明显短板时触发：没有传球冲击、后场漏洞百出、锋线偏软。一套均衡的 15-2 阵容，每次都会胜过一支两个位置顶尖、第三个位置空空如也的失衡球队。这模拟的是真实的橄榄球：一支有致命缺陷的球队，会在十七周的某场比赛中输球。
年代归一化
球员来自 2000 年代、2010 年代和 2020 年代，评分被归一化到一条共同的基准线，这样判断一名球员靠的是他的综合评分，而不是他恰好打球的那个年代。这让跨年代阵容保持公平——一个 2000 年代的边锋和一个 2020 年代的边锋会在同一水平线上比较。
想亲自测试一下？
理解评分机制最快的方式就是去玩。摇出一套阵容，读一读预测战绩和「最大短板」提示，然后在下一局里微调，把那个漏洞补上。
相关攻略
组建的不止是一支橄榄球阵容。
用 AI Character Squad Builder 创建一支 AI 角色战队，生成一个故事，再把它变成一本绘本。
试试 AI Character Squad Builder