01可选协议
VALORANT
战术均衡协议
Flick、Micro 与目标切换平衡
Flick / Switching28%
Micro27%
Tracking15%
A/D + Aim 协调30%
测试侧重25°–90° Flick · 中小目标Yaw0.07搜索倍率× 1.20
精准枪法仍是核心，但技能、多角度交战与目标切换让 Flick 和 Micro 都必须保留足够权重。
开放实验协议 0.5
随机平衡 · 自适应细化 · Raw Input 门槛
开源 FPS 灵敏度实验室
你的枪法，
不是一个神奇数字。
通过 Flick、Micro、Tracking 与 A/D 双手协调测量，找到瞄准和移动共同稳定的灵敏度区间。
05:00单次实验
05联合测量信号
149可追溯职业记录
新实验 · 必填设置0 / 3
● 待配置第一步请选择你真正要测试的游戏。系统不会替你预选。
物理基准—cm / 360°
输入换算检查等待 DPI 与灵敏度高灵敏度 · 15 CM低灵敏度 · 75 CM
优化目标
◈ 原始鼠标轨迹不写入记录，也不上传
01 / 游戏专属协议
三款游戏 · 三套任务分布不是一套测试，
不是一套测试，
换三张游戏封面。
相同的物理转身距离只解决数学换算；真正的“适合”取决于目标速度、交战时长和瞄准动作。选中的游戏会同时改变任务顺序、目标运动、候选搜索跨度和评分权重。
02可选协议
Counter-Strike 2
静态精准协议
停枪、首发精度与小角度修正优先
Flick / Switching30%
Micro33%
Tracking10%
A/D + Aim 协调27%
测试侧重20°–75° Flick · 高频 MicroYaw0.022搜索倍率× 1.18
回合制、低 TTK 与静态首发场景，使停枪后的 Micro 修正和首发控制比长时间 Tracking 更有区分度。
03可选协议
Apex Legends
动态追踪协议
高速 Tracking、变向响应与连续控制优先
Flick / Switching18%
Micro10%
Tracking42%
A/D + Aim 协调30%
测试侧重高速变向 Tracking · 大范围切换Yaw0.022搜索倍率× 1.24
高速移动、Strafing 与更长的连续交战，让速度匹配、方向变化响应和目标内时间成为主要信号。
物理换算与视觉投影严格分离cm/360 = 914.4 ÷ (DPI × Sensitivity × Yaw)
FOV 与画面比例只用于按透视投影调整目标大小、水平运动范围和黑边区域，不修改 Source 系游戏的 Yaw。任务权重是协议 0.5 的公开工程假设，不冒充已验证的科学定律。
02 / 实验方法
5 分钟实验协议 · 0.5两只手共同作战，
两只手共同作战，
就一起接受测量。
右手决定视角控制，左手改变自身运动框架。协议 0.5 的 A/D 不再只是按键提示：按键会改变虚拟移动框架，玩家必须同时用鼠标补偿；只有方向正确且准星在目标内，同一采样点才形成联合命中。
实验时间轴05:00.00
00系统检测与四任务热身输入质量、Flick、Micro、Tracking、A/D 协调00:35
01宽范围筛选三个匿名候选值 · 每个都包含双手区块02:00
02自适应细化根据宽筛胜出区域生成 D / E；边界胜出时向外探索01:20
03随机配对验证相邻任务对 · ABBA 交错 · 匹配目标序列00:50
04证据报告实测区间、重采样差异与下次复测建议00:15
匿名候选值对数增益搜索
A隐藏B隐藏C隐藏D细化E细化
暂定推荐区间数据生成不使用固定 ±%
如何防止单项掩盖短板？ 单任务用调和平均合并速度、精度和稳定性；双手任务用“按键正确且准星在目标内”的联合信号，再以加权几何平均比较候选。验证阶段复用匹配目标序列；Flick / Micro 按试次配对，连续任务使用约一秒移动区块，再执行 600 次配对 Bootstrap。90% 重采样区间下界未超过最小效应门槛时保持原值。
速度—精度权衡
IEEE CoG 的 FPS 灵敏度实验报告了具有统计意义的较优范围，并以 Fitts throughput 分析移动时间与任务难度。
阅读论文 ↗多条件，不用单一分数
Aim Lab 研究指出，单个任务会混淆能力与玩家选择的速度—精度策略，因此需要多种目标条件和运动学信号。
阅读论文 ↗非对称分工
Guiard 的运动链模型描述了非惯用手建立动作框架、惯用手执行精细操作的非对称协作，符合键盘移动与鼠标瞄准的角色结构。
阅读论文 ↗FOV 投影而非伪换算
KovaaK 使用焦距比例和 Yaw 区分屏幕空间匹配与 360° 物理匹配；SENS/LAB 同样把视觉投影与 cm/360 分开处理。
查看方法 ↗科学边界
没有论文提供“左手分数 → 最佳灵敏度”的通用公式。SENS/LAB 使用文献支持的任务结构与测量信号，但候选范围、游戏权重和五分钟预算属于公开、可版本化、仍需持续验证的工程协议。输入层严格请求 W3C Pointer Lock 2.0 的 unadjustedMovement ↗；浏览器拒绝时不生成结果。
04 / 市面方案对照
研究产品机制，不复刻表面功能四条主流路线，
四条主流路线，
各自解决什么。
“测试灵敏度”在市面上其实对应四个不同问题。SENS/LAB 明确吸收每类方案的长处，也公开浏览器实验做不到的部分。
01主观搜索
PSA Method
七轮比较后给可直接试用值流程轻、无需注册，最终结果可以直接带回游戏；但结论主要依赖玩家当下的主观选择，容易受顺序与预期影响。
查看官方方法 ↗02数学换算
KovaaK Sensitivity Matcher
Yaw 换算 + 360° 校验精确解决跨游戏数值对应关系，适合迁移设置；它验证的是数学等价，不判断哪一个灵敏度让你表现更好。
查看官方说明 ↗03主动实验
Oblivity
逐轮变更灵敏度并解释错误结合准确率、鼠标速度、理想路径偏差、过冲 / 欠冲和平滑度，信号丰富；代价是需要更长测试和桌面端环境。
查看官方产品页 ↗04长期学习
Aimlabs Mouselabs
背景运行并利用历史重新校准分析 Flick 过冲 / 欠冲与 Tracking 速度匹配，每七分钟重新校准，并参考最近最多 100 次训练；优势来自长期证据。
查看官方原理 ↗SENS/LAB 的取舍
先给一次有边界的答案，再用复测接近稳定结论。
- 01输入先做物理范围校验，异常数值不进入实验
- 02游戏专属任务，不做通用场景套皮
- 03主结果直接给你的 DPI 下可填写的游戏灵敏度
- 04本机记录服务于跨日期复测，而不是无意义收藏
能力边界：浏览器可读取 Pointer Lock 下的相对移动，但不能替代游戏引擎里的武器后坐、FOV、帧延迟与 Raw Input 环境。因此结果是可试用区间，不是“最佳灵敏度”的绝对证明。
05 / 测量信号
不只看命中率右手控制之外，
右手控制之外，
还要看双手协作。
高分可能掩盖糟糕的控制行为。我们拆分速度、精度、修正动作和 A/D 协调，让你看清某个灵敏度为什么有效。
Flick
测量 25°–90° 目标的获取时间、首次命中率与停枪控制。
目标获取 · 过冲Micro
测量小角度修正、点击前稳定性与手部噪声放大程度。
精准度 · 修正次数Switching
测量连续目标之间的切换节奏、路径效率与重新获取能力。
节奏 · 路径效率Tracking
测量 RMS 偏差、目标内时间与方向或速度变化后的响应。
稳定性 · 响应速度Coordination
测量 A/D 方向正确率、变向延迟，以及按键正确时的同步准星控制。
左手响应 · 联合稳定这是一份报告，不是一次算命看清推荐区间
看清推荐区间
背后的证据。
单次实验只报告“初步支持、无法区分或数据无效”。SENS/LAB 会展示重采样差异、保留无法区分的候选，并在证据不足时明确建议保持当前设置。
- 01真正可用的区间不输出精确到小数点后三位的虚假结论。
- 02不同任务的灵敏度偏好看清 Micro 与 Tracking 在哪里产生分歧。
- 03明确的证据边界知道一次短测究竟不能证明什么。
示例报告 · 非真实玩家数据
VALORANT 推荐灵敏度0.320@ 800 DPI初步支持示例数据 · 区间由候选表现生成
24324048 cm
FLICK33
MICRO37
TRACKING30
SWITCHING34
↘ 18%
相比当前设置，过冲减少，同时目标获取速度没有出现有意义的下降。
一个物理区间
映射到不同游戏。
默认保持 cm/360 并公开换算公式。你仍然需要按游戏复测——数学等价并不代表在不同游戏里同样适合。
游戏规则游戏内数值物理匹配规则状态
VALORANT腰射 · 固定基础 FOV—先完成初始设置—360° 匹配换算规则 v0.5
Counter-Strike 2腰射 · 按画面比例投影—先完成初始设置—360° 匹配换算规则 v0.5
Apex Legends腰射 · 按 FOV 与画面比例投影—先完成初始设置—360° 匹配换算规则 v0.5
06 / 认知与反应训练
无需登录即可训练 · 登录仅用于打榜测反应与视觉搜索，
测反应与视觉搜索，
不贩卖“开发脑区”。
独立训练区包含五次视觉反应测试，以及 4×4、5×5、6×6 舒尔特方格。所有人可直接使用；只有提交公开排行榜时需要登录。
273ms
视觉反应
随机等待后呈现视觉刺激，完成五次有效点击并报告中位数；明确提示显示器和输入延迟会进入成绩。
721451119416
舒尔特方格
按顺序完成数字视觉搜索，不将不同尺寸混榜，也不把任务熟练度包装成普遍智力提升。
完全开放构建相信方法，
相信方法，
也可以 Fork 方法。
不使用黑箱“AI 灵敏度”。每条换算规则、实验协议和推荐函数都可以检查、测试，也欢迎用可复现实验证据提出挑战。
recommendation-core.ts公开 · APACHE-2.0
// 透明、可审计的决策
return {
centerCm: 34.0,
intervalCm: [33.1, 35.2],
evidenceState: "supported",
effectInterval: [0.9, 3.4],
keepBaseline: false
}0.5 实验协议03 专属协议05m 单次实验本地 轨迹优先
无需账号数据优先保存在本地游戏规则带版本记录实验协议可复现
找到真正属于你的
稳定区间。
免费 · 开源 · 无需注册 · 约 5 分钟
PRIVACY / DATA FLOW测量操作，
测量操作，
不收集原始轨迹。
匿名优先不是一句口号；下面列出每类数据真正会去哪里。
原始鼠标轨迹与按键事件不写入记录，也不上传。关闭页面后不会保留。
只保存结果摘要、画面设置和证据指标到当前浏览器；可导出，也可确认后全部删除。
只有主动提交榜单才发送成绩、公开昵称和基础时序。邮箱仅在服务端生成 SHA-256 摘要用于去重，不进入公开响应。
展示职业模板时会向 images.weserv.nl 请求源自 ProSettings 的头像；打开来源链接会离开本站。