[Aim Trainer Pack] X2 v1 Mini vs [BlueArchive Hoshino Edition] X2 CrazyLight Medium Gaming Mouse
Kurz gesagt
[BlueArchive Hoshino Edition] X2 CrazyLight Medium Gaming Mouse gewinnt diesen Vergleich mit 54/100, vor [Aim Trainer Pack] X2 v1 Mini (50).
Die Scores werden aus 4 öffentlichen Spezifikationen berechnet; fehlende Werte bleiben unbekannt markiert und werden mit dem Kategorie-Median imputiert.
![[Aim Trainer Pack] X2 v1 Mini](/static/img/products/pulsar-aim-trainer-pack-x2-mini.webp?v=1790604354)
![[BlueArchive Hoshino Edition] X2 CrazyLight Medium Gaming Mouse](/static/img/products/pulsar-bluearchive-hoshino-edition-x2-crazylight-gaming-mouse.webp?v=1790604633)
[BlueArchive Hoshino Edition] X2 CrazyLight Medium Gaming Mouse
PulsarAuf einen Blick
0–100 pro Gruppe, normalisiert in der Kategorie · Gruppe antippen für Details
Bester Preis jetzt
Günstige Alternativen
Razer Viper V3 Pro
Logitech G Pro X Superlight 2
Zowie EC2-CW
Glorious Model I 2
Pulsar X2V2 Mini
Logitech MX Master 3S
Das komplette Datenblatt
Gruppiert und einklappbar · Gruppe antippen zum Einklappen
Leistung2▾
| [Aim Trainer Pack] X2 v1 Mini | [BlueArchive Hoshino Edition] X2 CrazyLight Medium Gaming Mouse | |
|---|---|---|
| Sensor | — | Optical |
| Gewicht | — | 36 g |
Design1▾
| [Aim Trainer Pack] X2 v1 Mini | [BlueArchive Hoshino Edition] X2 CrazyLight Medium Gaming Mouse | |
|---|---|---|
| Tasten | — | 7 |
Verbinden1▾
| [Aim Trainer Pack] X2 v1 Mini | [BlueArchive Hoshino Edition] X2 CrazyLight Medium Gaming Mouse | |
|---|---|---|
| Kabelgebunden | — | — |
Datenquellen: Amazon
Häufige Fragen
Welches ist besser, [Aim Trainer Pack] X2 v1 Mini oder [BlueArchive Hoshino Edition] X2 CrazyLight Medium Gaming Mouse?
[BlueArchive Hoshino Edition] X2 CrazyLight Medium Gaming Mouse hat die höhere Gesamtwertung (54 gegenüber 50).
Was sind die Hauptunterschiede?
Die Scores werden aus 4 öffentlichen Spezifikationen berechnet; fehlende Werte bleiben unbekannt markiert und werden mit dem Kategorie-Median imputiert.
Wie werden die Scores berechnet?
Wir normalisieren 4 öffentliche Spezifikationen innerhalb der Kategorie und gewichten sie nach Gruppe für einen Score von 0–100; fehlende Werte werden von Modellen mit identischen Spezifikationen geerbt oder mit dem Kategoriemedian imputiert, sodass eine dünne Datenblatt nie begünstigt wird. Die Methodik ist öffentlich.