【モンスト】ノマクエ周回でランク上げ【経験値2倍おすすめクエスト】

ノーマルクエスト 2倍

モンストのノマクエ/ノマダン周回でランク上げ【経験値2倍おすすめクエスト】についてまとめています。

ノーマルクエスト/ノーマルダンジョンで、効率良くランクを上げる場合の参考になれば幸いです。

経験値2倍はいつ?

9月17日(月)0:00 ~ 20(木)23:59
9月22日(土)0:00 ~ 25(木)23:59

ランク上げのために準備すること

学び特級Lの実

ランクを上げるために必要なことは、ノマクエの適正キャラに学びの特級L(経験値1.6倍)をつけることです。

今の環境はわくわくステッキやわくわくミンを使えるので、ランク上げをするのであれば学び特Lを適正キャラにつけましょう。

おすすめキャラはモーツァルトで火・水・光・闇のノマクエ周回に使えます。

木のノマクエ周回は別のキャラが必要で、一番おすすめはアヌ、いなければ卑弥呼やアリスにつけましょう。

学びのパワー

あわせておすすめしたいのが、モンスポットの学びのパワーをつけることです。

サークル内で周回するのが一番効率的ですが、場所によっては現実的ではないので、マイアンテナをつけましょう。

マイアンテナをつけることによって、1.25倍の経験値を獲得できます。

火ノマクエおすすめ周回クエスト

友情を鎖す業火の砦【3】化傘のホラーハウス(ノーマルクエスト 経験値2倍)

火のノマクエでランク上げをする場合は、友情を鎖す業火の砦「化傘のホラーハウス」がおすすめです。

おすすめ周回キャラはモーセ×2、モーツァルト×2です。

学び特L+学びのパワー(マイアンテナ)をつけていると、1周18000の経験値を獲得できます。

4500(化傘のホラーハウス) × 2(経験値2倍) × 1.6(学び特L) × 1.25(学びのパワーマイアンテナ) = 18000

水ノマクエおすすめ周回クエスト

貫通を遮る氷刃の砦【1】山積のホームワーク(ノーマルクエスト 経験値2倍)

水のノマクエでランク上げをする場合は、貫通を遮る氷刃の砦「山積のホームワーク」がおすすめです。

おすすめ周回キャラはモーセ×2、モーツァルト、ロキです。

学び特L+学びのパワー(マイアンテナ)をつけていると、1周17200の経験値を獲得できます。

4300(山積のホームワーク) × 2(経験値2倍) × 1.6(学び特L) × 1.25(学びのパワーマイアンテナ) = 17200

木ノマクエおすすめ周回クエスト

反射を遮る朽木の砦【2】山神のラウドボイス(ノーマルクエスト 経験値2倍)

木のノマクエでランク上げをする場合は、反射を遮る朽木の砦「山神のラウドボイス」がおすすめです。

おすすめ周回キャラはアヌ×3、カマエルです。

アヌがいない場合は反射キャラですが、卑弥呼がおすすめです。

学び特L+学びのパワー(マイアンテナ)をつけていると、1周17600の経験値を獲得できます。

4400(山神のラウドボイス) × 2(経験値2倍) × 1.6(学び特L) × 1.25(学びのパワーマイアンテナ) = 17600

光ノマクエおすすめ周回クエスト

地雷を付する燐光の砦【3】悪魔のスターライト(ノーマルクエスト)

光のノマクエでランク上げをする場合は、地雷を付する燐光の砦「悪魔のスターライト」がおすすめです。

おすすめ周回キャラはモーツァルト×2、吉田松陰、ルシファーです。

学び特L+学びのパワー(マイアンテナ)をつけていると、1周18000の経験値を獲得できます。

4500(悪魔のスターライト) × 2(経験値2倍) × 1.6(学び特L) × 1.25(学びのパワーマイアンテナ) = 18000

闇ノマクエおすすめ周回クエスト

魔陣敷かれし暗夜の砦【1】黄昏のストレンジレディ(ノーマルクエスト)

闇のノマクエでランク上げをする場合は、魔陣敷かれし暗夜の砦「黄昏のストレンジレディ」か「狂馬のスタンピード」がおすすめです。

おすすめ周回キャラはモーツァルト×2、ヘイムダル×2です。

学び特L+学びのパワー(マイアンテナ)をつけていると、1周17200(黄昏のストレンジレディ)、17600(狂馬のスタンピード)の経験値を獲得できます。

4300(黄昏のストレンジレディ) × 2(経験値2倍) × 1.6(学び特L) × 1.25(学びのパワーマイアンテナ) = 17200

4400(狂馬のスタンピード) × 2(経験値2倍) × 1.6(学び特L) × 1.25(学びのパワーマイアンテナ) = 17600

コメントを残す

メールアドレスが公開されることはありません。 * が付いている欄は必須項目です

このサイトはスパムを低減するために Akismet を使っています。コメントデータの処理方法の詳細はこちらをご覧ください