
ELO匹配
ELO 匹配机制使用 ELO 评分来为玩家配对:该数值根据双方的评分差距来预测各自的预期结果,并在每场比赛后根据预测与实际结果之间的差异进行变动。它起源于国际象棋,现常被各类游戏改良并应用于团队模式和新手玩家。
又称
Elo积分,Elo等级分系统,ELO系统,基于Elo的匹配机制
,
ELO 匹配机制是如何运作的?
Elo 评分系统最初由阿尔帕德·埃洛(Arpad Elo)为国际象棋设计,后来被各类游戏借鉴,通常写作“ELO”。它用每个玩家的一个数值来实现两件事:根据两人评分之间的差距来预测比赛结果,然后根据实际结果与预测的偏差程度来修正双方的评分。
预期结果:E = 1 / (1 + 10^((对手评分 − 你的评分) / 400))。分差每相差 400 分,胜率赔率就会乘以 10,因此评分相等时得出的值为 0.5。
更新机制:新评分 = 旧评分 + K × (S − E),其中 S 为实际得分(获胜为 1,平局为 0.5,失败为 0),而 K 则限制了一场比赛最多能改变多少评分。
一个计算示例(设 K = 20):一名 1500 分的玩家遇到一名 1600 分的玩家,其预期结果约为 0.36。如果 1500 分的玩家获胜,他们将获得 20 × (1 − 0.36) ≈ 13 分,其对手也将失去相同的分数。反之,如果胜算较大的玩家获胜,则仅获得约 7 分。爆冷获胜比预期之内的结果更能带动评分的变动,这正是该系统自我修正的方式。下图将相同的规则应用于六名玩家,每两人进行一场一对一比赛;团队和群组则需要更复杂的方法,稍后会作介绍。

初始数值是任意设定的,通常为 1000 或 1500:只有分值差距才具有实际意义。匹配机制随后会将评分作为多条规则中的一条,与延迟、队伍人数以及排队时间等因素一起综合考量。
文章的核心洞察
简短回答:基于技能的匹配机制(SBMM)会根据玩家在每场对局中对阵所有其他人的表现进行评级,并将技能水平相似的玩家分配到同一场对局中。《使命召唤》仍然将连接质量(延迟/ping)排在首位。在动视于 2024 年进行的一项放宽技能要求的测试中,90% 的低水平玩家回流游戏的频率下降了。
比赛中的 ELO 分差意味着什么?
由于该公式将分差转化为预测,因此每个分差都可以解读为高分方预期的胜率份额:
ELO 分差 | 高分方预期得分 | 低分方预期得分 |
|---|---|---|
50 | 约 57% | 约 43% |
100 | 约 64% | 约 36% |
200 | 约 76% | 约 24% |
400 | 约 91% | 约 9% |
因此,在 100 点 ELO 分差下,胜算更高的一方预计能在三场比赛中赢下约两场。平局计为半场胜利,而在团队游戏中,分差通常是按团队平均水平来衡量的。
这就是解读匹配系统中技能规则的方式。一个竞技配置文件的示例从 50 点 ELO 分差开始,在队列中等待 30 秒后扩大到 150 点(Unity 匹配器配置示例):起初大约是 57/43,扩大后大约是 70/30。70/30 是否可接受取决于游戏模式,而这个范围应该设得多紧,正是基于技术的匹配机制(SBMM)的核心问题。
如何选择K系数?
K 值决定了一场比赛对评分的影响幅度,它在速度与稳定性之间进行权衡:
高 K 值:评分能快速达到相应水平,但一个糟糕的夜晚就会让它大幅波动,基于该评分匹配的对局也会变得更加不稳定。
低 K 值:评分保持稳定,但对技术提升玩家的跟进较慢,导致他们会在很长一段时间内经历过于简单的对局。
动视(Activision)在描述《使命召唤》的技术衡量标准时也指出了同样的平衡矛盾:它既应当“能够快速适应玩家不断变化的技术表现”,同时“整体技术分布在所有情况下都应保持准确”(动视,2024 年 7 月)。
一种已公开的方法是根据经验调整 K 值。国际象棋管理机构对新玩家的前 30 场对局(以及评分低于 2300 的青少年选手)采用 K = 40,2400 以下采用 20,而一旦玩家达到 2400,即使评分回落也采用 10,每个评分周期内 K × 对局数上限为 700(国际棋联评分条例,2024 年 3 月)。电子游戏很少公开其数值。定级赛最初能更快地改变新玩家的评分,也是应用了同样的理念;而在匹配机制评分中介绍的那些能够追踪自身置信度的评分系统,则是针对每位玩家个体动态调整这一速度,而不是采用固定的阶梯档位。
ELO 在多人游戏中存在哪些不足?
ELO 专为一对一玩家对战而设计,每场比赛只有一个结果。多人游戏在以下三个方面对其提出了挑战:
团队:该公式比较的是双方,因此团队的积分通常是其所有玩家的平均值。动视(Activision)将其列为其自身技能衡量标准的一项要求:“多名玩家的平均技能可以预测他们的综合技能”(动视,2024 年 7 月)。当某位玩家的水平远高于或低于队友时,这种方法的有效性就会降低。
所有人的单一结果:胜利会以相同的方式改变每位队友的积分,无论各自的表现如何。有些游戏在此基础上增加了个人表现:在《使命召唤》排位赛中,玩家获得的可见积分不仅取决于胜利,还取决于“比赛表现”和“获胜优势”(《使命召唤》博客,2024 年 12 月)。
缺乏确定性衡量:对于 ELO 来说,具有相同积分的新账号和老玩家看起来是完全一样的,尽管其中一个只是估算值。Glicko-2 和 TrueSkill 等系统会跟踪这种不确定性,而匹配积分(MMR)页面则介绍了具体实现方式,以及组队和赛季的相关内容。
但这并不意味着 ELO 是个错误的起点。它在任何后端计算起来都十分轻量,易于解释,并且非常适合一对一模式。大多数扩展算法都保留了其核心思想:预测结果,然后根据实际发生情况的差距进行修正。
来自我们的赞助商(其实就是我们自己!)的寄语
大多数延迟来自距离,而非代码。Edgegap 的边缘云是一个分布式网络,按需提供高达 615+ 个可用位置,因此每场比赛都能在最适合玩家的可用位置运行。对直播工作室流量的独立重放测试表明,与公共云相比,平均往返时间减少了 58%。
ELO 与可见段位之间有什么区别?
当玩家提到“我的 ELO”时,他们通常是指自己能看到的段位或积分,而不是匹配系统使用的数值。许多游戏特意将两者区分开来。
《使命召唤》排位赛(Ranked Play)就是一个有据可查的例子。其技能等级(Skill Rating,简称 SR)是“玩家技能历程的直观体现”,而原始技能值(Raw Skill)则是“代表玩家相对于其他玩家群体表现的单一数值”。匹配会寻找段位和 SR 相近的玩家,但同时也会考量原始技能值,而且玩家增减的 SR“与玩家的原始技能值密切相关”(动视,2024 年 12 月;详细分析)。
这种分离解决了一个设计难题。精准衡量技能的评分一旦趋于稳定往往变动很小,这会让冲分过程缺乏成就感。而直观可见的段位可以在每个赛季重置并奖励进阶成长,隐藏的评分则能保持比赛平衡。同一篇论文指出,可见数值“并不总能预测比赛结果”,这也是为什么它不被用于匹配的原因。
Edgegap 的观点(仅代表个人意见,姑且听之即可!)
ELO 机制有助于平衡对局,但延迟对玩家体验质量的影响更大
ELO 是一种实用的工具:它运行简便,并能将积分差距转化为预期胜负结果。但是,在网络连接不佳的情况下,即使是对局双方实力均衡,遭遇延迟的玩家依然会感到不公平。动视(Activision)直言不讳地指出:“Ping 是王道”,且连接质量“是对局匹配过程中最关键、权重最高的因素”(动视,2024 年 7 月)。
针对您的匹配机制的一项检验:先设定延迟上限,然后随着排队时间的增加逐步放宽 ELO 差距,最后再考虑提高该延迟上限。长时间的等待应该放宽的是基于技能的匹配机制(SBMM),而不是延迟限制。
Edgegap 的匹配系统同时支持这两项规则:用于 ELO 的数值差规则,以及基于 ping 探测信标的延迟规则——该规则可剔除超过最大 ping 值的节点位置,并将延迟相近的玩家归为一组,同时支持根据计时器逐步放宽各项规则(Edgegap 文档)。随后,对局服务器可以从 615 多个边缘云节点中,就近部署在该玩家群体附近(平台数据,截至 2026 年 9 月)。
,










