在因果推断领域，Tuebingen因果-效应对数据集长期被用作评估双变量因果方向识别方法的基准。然而，不同论文所报告的“头部准确率”往往是在各自作者设定的协议下测得的——使用的数据对子集不同、加权方式不同、模型选择策略不同，甚至是否强制对每一对数据做出决策也不一致。这种状况使得跨论文的准确率比较犹如用不同的尺子丈量同一物体，结论自然不可靠。
针对这一问题，一篇新论文提出了“同手重评估”的思路：由同一研究团队在完全相同的102对Tuebingen数据上运行所有被比较的方法，并施加一条严格规则——不允许任何调参，且必须对每一对数据强制给出因果方向判断。为了提供一个干净的参照点，作者刻意设计了一个极简基线：排序条件压缩法。该方法将数据进行量化、排序和一阶差分后，直接喂给现成的压缩器bz2，整个流程没有任何拟合参数。
在统一尺子下，方法排名与文献中的印象大相径庭。这个零参数基线取得了74.7%的加权准确率（p = 3.7e-7）。在SLOPE所评估的同样100对数据上，基线得分为76.0%，仅比作者自己强制决策版本的SLOPE（77.2%）低1.2个百分点，且这一差距完全在噪声范围内（McNemar检验p = 0.39）。换言之，一个没有任何可训练参数的压缩方法，与当前最强方法之一在统计上难以区分。
论文还澄清了几个广泛流传的数字。对RECI的忠实重跑得到70.7%的准确率，这落在原作者报告的误差棒内，而不是常被引用的77.5%——作者追溯发现后者源于一个单元格的复制错误。SLOPE发表的82.4%则是一个“决定子集”上的数字：仅在其显著性检验选择回答的那些数据对上评分，可以复现81.7%；但一旦强制对所有数据对做出决策，准确率便降至77.2%。
作者进一步记录了导致已发表数字虚高的机制：一是在测试集上进行模型选择，二是通过显著性检验来“选择性弃权”。这两种做法都会系统性地抬高报告准确率。在统一尺子下，所有方法实际上都聚集在70%出头的区间，而零参数压缩器与其中最强的方法并驾齐驱。
除了重评估，论文还贡献了两个额外结果。首先，压缩分数的幅度本身可以作为一个无模型的混杂标志，统计显著性极高（p = 2.8e-68）。其次，一个预注册的证伪测试以颇具启发性的方式失败了，这一失败为该方法的理论解释划定了边界。作者发布了代码、预注册方案以及每一对数据的输出，以支持可重复性。
这项工作的意义在于，它提醒社区：在比较因果发现方法时，必须严格控制评估协议。一个零参数的压缩基线就能匹敌精心设计的方法，说明当前基准上的许多“进步”可能被协议差异所掩盖。同时，压缩分数作为混杂标志的发现，为无需模型假设的因果分析提供了新工具。