轻易看到，CABAC 能够在所有量化版本的 Small-VGG16 网络中获得更高的压缩增益。使用 CABAC 的好处在于其固有的灵活性，它可以用于获取权重参数的先验统计数据。DeepCABAC通过定义前文所述的二值化过程，能够快速捕获最大值接近于0的单峰分布和非对称分布的统计信息。此外，也方便CABAC捕获一行中元素之间的相关性。这也很重要，因为 CABAC的估计是以自回归的方式更新的，因此，它的压缩性能也取决于扫描顺序。如上表所示，CABAC能够捕捉权重参数之间的相关性，从而将它们压缩到参数分布的一阶熵之外。与之前提出的通用熵编码器(如标量 Huffman、CSR-Huffman)相比，由于其平均码长受到一阶熵的限制，因此不可能获得比 CABAC更低的码长，因此该特性更加突出了它的优越性。