质疑新型AI基准测试MaxxBench中DeepSWE子项的评估有效性与现实任务对齐度

提出受控评估框架，分离样本数量与表征更新频率影响，明确长尾识别中编码器进一步适配的价值判断条件。

提出CuraEval统一评估框架，结合数学分析与受控实验，量化不同演示筛选策略的有效性。

对比标签检索与嵌入检索在证据发现任务中的效果，证明语义嵌入+LLM精排可提升全面性与准确性。