实际上，可以使用额外的信息来最大程度地减少比较的总数。可以使用对super_comparison函数的调用来进行推论，这等同于对常规比较函数的大量调用。例如，a much-less-than b和c little-less-than b暗示a < c < b。

扣除罐被组织成箱或分区，可以分别分类。实际上，这等效于具有n路分区的QuickSort。这是Python中的实现：

from collections import defaultdict
from random import choice

def quicksort(seq, compare):
    'Stable in-place sort using a 3-or-more-way comparison function'
    # Make an n-way partition on a random pivot value
    segments = defaultdict(list)
    pivot = choice(seq)
    for x in seq:
        ranking = 0 if x is pivot else compare(x, pivot)
        segments[ranking].append(x)
    seq.clear()

    # Recursively sort each segment and store it in the sequence
    for ranking, segment in sorted(segments.items()):
        if ranking and len(segment) > 1:
            quicksort(segment, compare)
        seq += segment

if __name__ == '__main__':
    from random import randrange
    from math import log10

    def super_compare(a, b):
        'Compare with extra logarithmic near/far information'
        c = -1 if a < b else 1 if a > b else 0
        return c * (int(log10(max(abs(a - b), 1.0))) + 1)

    n = 10000
    data = [randrange(4*n) for i in range(n)]
    goal = sorted(data)
    quicksort(data, super_compare)
    print(data == goal)

通过使用 跟踪
模块对该代码进行检测，可以测量性能增益。在上面的代码中，常规的三路比较使用133,000个比较，而超级比较功能将调用次数减少到85,000。

该代码还使您可以轻松地尝试各种比较功能。这将表明纯朴的n向比较功能对排序没有什么帮助。例如，如果比较函数对于大于四的差返回+/-
2，对于小于或等于四的差返回+/- 1，则比较次数仅减少了5％。根本原因是，一开始使用的粗粒度分区只有少数“接近匹配”，其他所有内容都属于“远匹配”。

超级比较的一个改进是覆盖了对数范围（即，十个以内为+/- 1，百个以内为+/- 2，一千以内为+/-。

理想的比较功能将是自适应的。对于任何给定的序列大小，比较功能应努力将序列细分为大小大致相等的分区。信息理论告诉我们，这将使每次比较的信息位数最大化。

自适应方法也具有良好的直观意义。人们应该先划分为 爱 与 喜欢，
然后再进行更精细的区分，例如，很多爱与一点爱。进一步的分区通道应分别进行越来越精细的区分。