Eval Report: ci-post-merge

Profile: gdm-swebench-lite-v1 | Tasks: 50 | Pass rate: 100.0% | Cost: $0.0500

Task ID	Band	Score	Passed	Cost
python-security-fix-easy-001	easy	0.740	✓	$0.0010
typescript-security-fix-easy-001	easy	0.740	✓	$0.0010
python-bugfix-easy-001	easy	0.740	✓	$0.0010
typescript-bugfix-easy-001	easy	0.740	✓	$0.0010
python-performance-easy-001	easy	0.740	✓	$0.0010
typescript-performance-easy-001	easy	0.740	✓	$0.0010
python-test-writing-easy-001	easy	0.740	✓	$0.0010
typescript-test-writing-easy-001	easy	0.740	✓	$0.0010
python-multi-file-easy-001	easy	0.740	✓	$0.0010
typescript-multi-file-easy-001	easy	0.740	✓	$0.0010
python-refactor-easy-001	easy	0.740	✓	$0.0010
typescript-refactor-easy-001	easy	0.740	✓	$0.0010
python-config-easy-001	easy	0.740	✓	$0.0010
typescript-config-easy-001	easy	0.740	✓	$0.0010
python-recovery-easy-001	easy	0.740	✓	$0.0010
typescript-recovery-easy-001	easy	0.740	✓	$0.0010
python-dependency-easy-001	easy	0.740	✓	$0.0010
typescript-dependency-easy-001	easy	0.740	✓	$0.0010
python-explain-easy-001	easy	0.740	✓	$0.0010
typescript-explain-easy-001	easy	0.740	✓	$0.0010
python-security-fix-medium-001	medium	0.740	✓	$0.0010
shell-security-fix-medium-001	medium	0.740	✓	$0.0010
python-bugfix-medium-001	medium	0.740	✓	$0.0010
shell-bugfix-medium-001	medium	0.740	✓	$0.0010
python-performance-medium-001	medium	0.740	✓	$0.0010
shell-performance-medium-001	medium	0.740	✓	$0.0010
python-test-writing-medium-001	medium	0.740	✓	$0.0010
shell-test-writing-medium-001	medium	0.740	✓	$0.0010
python-multi-file-medium-001	medium	0.740	✓	$0.0010
shell-multi-file-medium-001	medium	0.740	✓	$0.0010
python-refactor-medium-001	medium	0.740	✓	$0.0010
shell-refactor-medium-001	medium	0.740	✓	$0.0010
python-config-medium-001	medium	0.740	✓	$0.0010
shell-config-medium-001	medium	0.740	✓	$0.0010
python-recovery-medium-001	medium	0.740	✓	$0.0010
shell-recovery-medium-001	medium	0.740	✓	$0.0010
python-dependency-medium-001	medium	0.740	✓	$0.0010
shell-dependency-medium-001	medium	0.740	✓	$0.0010
python-explain-medium-001	medium	0.740	✓	$0.0010
shell-explain-medium-001	medium	0.740	✓	$0.0010
python-security-fix-easy-001	easy	0.740	✓	$0.0010
typescript-security-fix-easy-001	easy	0.740	✓	$0.0010
python-bugfix-easy-001	easy	0.740	✓	$0.0010
typescript-bugfix-easy-001	easy	0.740	✓	$0.0010
python-performance-easy-001	easy	0.740	✓	$0.0010
typescript-performance-easy-001	easy	0.740	✓	$0.0010
python-test-writing-easy-001	easy	0.740	✓	$0.0010
typescript-test-writing-easy-001	easy	0.740	✓	$0.0010
python-multi-file-easy-001	easy	0.740	✓	$0.0010
typescript-multi-file-easy-001	easy	0.740	✓	$0.0010

Leaderboard Snapshot

Latest run: 9609f057-7cb5-49e3-a275-b849e2a2ea2e | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-27T16:57:54.963235+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
9609f057-7cb5-49e3-a275-b849e2a2ea2e	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:57:54.963235+00:00
4c96e450-3915-43ce-860f-085f7bfe3d5e	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:57:54.899062+00:00
f4437568-dd30-4b2d-9db0-ed8544e9c523	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:57:54.840405+00:00
8c132ab2-3205-481d-90df-03ef989e92ae	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:57:54.783547+00:00
af32c051-aae9-436f-b598-5e0a09e3d283	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:57:54.725941+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1050	##########################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1050

##########################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
9609f057-7cb5-49e3-a275-b849e2a2ea2e	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:57:54.963235+00:00
4c96e450-3915-43ce-860f-085f7bfe3d5e	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:57:54.899062+00:00
f4437568-dd30-4b2d-9db0-ed8544e9c523	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:57:54.840405+00:00
8c132ab2-3205-481d-90df-03ef989e92ae	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:57:54.783547+00:00
af32c051-aae9-436f-b598-5e0a09e3d283	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:57:54.725941+00:00
befddf22-e990-40c4-ac85-9b992e09b522	python-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:57:54.650459+00:00
47459aae-0a9c-4128-94d0-cc94620348bf	typescript-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:57:54.584004+00:00
375ae4ea-9dbb-4ac7-8e63-7970a3848b9f	python-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:57:54.491782+00:00
5b503df6-9ad7-44a3-99b3-362a6d712721	typescript-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:57:54.438044+00:00
16190b02-7d78-43a7-a6ac-25748d6a8b34	python-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:57:54.381979+00:00

Cost Frontier

pass_rate vs cost_usd (Pareto frontier marked with *)
* [####################] 100.0% @ $0.0053  (coder)