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: 2ff96204-ff1d-4d6e-818b-b818877154f3 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-27T17:10:45.070246+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
2ff96204-ff1d-4d6e-818b-b818877154f3	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T17:10:45.070246+00:00
f5dd6a25-6e03-4032-b5f0-7bec69933c7d	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T17:10:44.991262+00:00
849bf628-4c36-4493-b8b0-8062b42b08cc	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T17:10:44.928458+00:00
191c5166-4dc5-4a6d-9fde-709066ebb1dd	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T17:10:44.855569+00:00
749515ca-9705-4024-af3b-68863d49d87b	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T17:10:44.766553+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1300	####################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1300

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
2ff96204-ff1d-4d6e-818b-b818877154f3	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:10:45.070246+00:00
f5dd6a25-6e03-4032-b5f0-7bec69933c7d	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:10:44.991262+00:00
849bf628-4c36-4493-b8b0-8062b42b08cc	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:10:44.928458+00:00
191c5166-4dc5-4a6d-9fde-709066ebb1dd	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:10:44.855569+00:00
749515ca-9705-4024-af3b-68863d49d87b	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:10:44.766553+00:00
172dfeb9-ca02-4d53-986e-a344bd442341	python-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:10:44.673450+00:00
16142c4f-73dd-4755-8a9e-789e7a22184c	typescript-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:10:44.567883+00:00
b044af16-b92a-4b1a-9b53-8dd36d12894e	python-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:10:44.361438+00:00
b4b28009-313d-4aa9-bb28-0f19a9e252bb	typescript-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:10:44.249482+00:00
9158f395-d8d9-42b0-af2f-ead183b62f05	python-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:10:44.181588+00:00

Cost Frontier

pass_rate vs cost_usd (Pareto frontier marked with *)
* [####################] 100.0% @ $0.0052  (coder)