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: c5d43227-f4c9-47ef-9afa-083edeed49ce | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-27T16:51:56.601578+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
c5d43227-f4c9-47ef-9afa-083edeed49ce	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:51:56.601578+00:00
186bf7ca-df85-47e8-a7f4-2899902fbcfb	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:51:56.532163+00:00
06ea3b4e-2abe-4175-8bfe-f68749bfa6bf	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:51:56.457441+00:00
be02e496-e260-4bb6-a713-6a0e76218304	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:51:56.383921+00:00
51476b65-c745-4aca-989d-54ec4ca2b8b9	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:51:56.316756+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	950	######################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

950

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
c5d43227-f4c9-47ef-9afa-083edeed49ce	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:51:56.601578+00:00
186bf7ca-df85-47e8-a7f4-2899902fbcfb	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:51:56.532163+00:00
06ea3b4e-2abe-4175-8bfe-f68749bfa6bf	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:51:56.457441+00:00
be02e496-e260-4bb6-a713-6a0e76218304	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:51:56.383921+00:00
51476b65-c745-4aca-989d-54ec4ca2b8b9	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:51:56.316756+00:00
85db718b-0051-4807-a740-09acb74b4354	python-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:51:56.250973+00:00
71c4a2ca-39d4-4842-8d39-666f0a7c1e54	typescript-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:51:56.179265+00:00
2e9231ad-ecb8-4860-b7de-30900d82beb8	python-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:51:56.102821+00:00
91b96395-0de5-47ea-a603-860d32ff069b	typescript-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:51:56.042967+00:00
e979bbb7-8ec6-4bf1-af56-d8b2c6cfd0fc	python-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:51:55.981512+00:00

Cost Frontier

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