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: cb168e21-926b-40a9-97c3-32c27992d742 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-27T16:59:08.761176+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
cb168e21-926b-40a9-97c3-32c27992d742	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:59:08.761176+00:00
7e53b3ee-64d1-4762-b8af-fdc5e67cb317	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:59:08.670955+00:00
cb180313-0ddd-4eb6-8dea-a8c7c7c19db0	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:59:08.590332+00:00
45d975d7-1ad4-48c6-ad7a-f3d0755781e1	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:59:08.510714+00:00
ad720d10-58aa-49c1-8db4-56d0f9114c4c	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:59:08.446237+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1200	################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1200

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
cb168e21-926b-40a9-97c3-32c27992d742	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:59:08.761176+00:00
7e53b3ee-64d1-4762-b8af-fdc5e67cb317	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:59:08.670955+00:00
cb180313-0ddd-4eb6-8dea-a8c7c7c19db0	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:59:08.590332+00:00
45d975d7-1ad4-48c6-ad7a-f3d0755781e1	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:59:08.510714+00:00
ad720d10-58aa-49c1-8db4-56d0f9114c4c	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:59:08.446237+00:00
5999b96d-3936-438b-836d-d999ec65faad	python-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:59:08.360058+00:00
fe4e2262-63e2-4ebc-a37f-76f68cfa39c6	typescript-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:59:08.298758+00:00
6e889226-b514-41cf-8b54-125a53e77f2f	python-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:59:08.200828+00:00
1e8d0b10-2386-4f02-b374-14c9288dc1fa	typescript-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:59:08.098461+00:00
311c90ec-efa0-499f-a1ee-7695dc6fcd40	python-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:59:08.009201+00:00

Cost Frontier

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