（問題文内でソート済み配列に \(B\) が用いられているため、ブロックサイズを \(D\) とします）

\(D\) クエリごとに以下を計算します。
・そのクエリまでに追加された要素のソート済み配列 \(B\)
・\(B\) の奇数項目のみの累積和
・\(B\) の偶数項目のみの累積和

各クエリでは、（ブロックごとに前計算した） \(B\) の配列に、高々 \(D\) 個の要素を挿入した時の問題を解けばよいです。
これは \(D\) 個の要素が \(B\) のどの位置に入るかを二分探索することで、累積和と合わせて解くことができます。

計算量は ブロックごとの更新が \( O( \displaystyle \frac{Q}{D} \cdot Q \log{Q})\)
クエリごとが \(O(Q \cdot (\log{Q} + D))\) などで解くことができ、\(D\) を\(\sqrt{Q \log{Q}}\) 程度にとることで、問題全体として \(O(Q \cdot (\sqrt{Q\log{Q}} + \log{Q}) )\) で解くことができます。

Python等の低速な言語であっても、実装に気を使えば十分に通ります。

実装例 (PyPy3)
（このコードでは \(D = \sqrt{Q}\) となっています。\(D = \sqrt{Q\log{Q}}\)のほうが、良いオーダーですが、実際にはTLEをしました）

クエリごとの計算量について

「挿入する要素」への追加・整列が \(O(D \log{D})\)
各「挿入する要素」について挿入位置の二分探索を行うのが \(O(D \log{Q})\)
実際に累積和を用いて計算するのが \(O(D)\)
１クエリ \(O(D\log{D} + D \log{Q})\) がわかりやすい実装方針としてあります。

しかし、この二分探索は、同じブロック内であれば \(B\) が変化しないため、１回で十分であるので、１クエリあたり \( O(\log{Q}) \) にできます。
「挿入する要素」への追加・整列も、挿入位置を二分探索してから \(\text{insert}\) をしたり、平衡二分木などを使ったりすることで \(O(\log{D})\) で可能です。 この改善を行えば上記の計算量になります。