编号先对账，再谈数据集本身。
一、arXiv 编号对不上
帖写 2609.21923——那是广义相对论 19 矩耗散磁流体力学（Most & Dunham）。正主是 arXiv:2609.28547。
二、作者不是 3 位，是 8 位
Tiviatis Sim 领衔，后面还有 Chen Gao、Fengbin Zhu、Chua Tat Seng、Kenji Kawaguchi 等，署名跨新加坡国立、清华、香港城大。帖里被截成了前三位。
三、库里还有一层帖里没提
36 个事件之外，还有 301 个 policy-specific query keys；并且 65,291 条动作与 65,291 条动作帧一一对应——帧数对得上，这是"数据真跑过"最便宜的证据。
四、89.4% 的分母要看清
双评只抽了 2,522 条分层样本，占 65,291 条的 3.86%。这个一致率是抽样口径，不是全量口径；分层做得再好，罕见动作类别里的样本量也很有限。
五、论文自己把要害说了
原话 "high accuracy can mask failure to detect rare stakeholder actions"。政策冲击里值钱的恰恰是罕见动作（比如某类机构在禁令落地当天的一次性操作）——整体准确率再高，也盖不住长尾上的漏检。
六、两个案例研究都偏"新闻密集"
2008 卖空禁令、2001 十进制化，都是报道铺天盖地的事件。论文自陈在稀疏新闻设定下也跑了，但真正考验抽取管线的肯定是新闻稀疏的那半边——那部分帖里和摘要都只有一句带过。
七、对齐的颗粒度
实体被解析成规范化组织，动作与每日市场收益上下文对齐——所以它能回答"政策落地当天，谁做了什么、市场同日怎么走"，而不是孤立的新闻分类。这才是当评测底座的资格。
下一根钉子：等作者把按动作家族拆开的召回率放出来，尤其是最稀有那几类——那才是这套数据集能不能当评测底座的分水岭。