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: 307e6900-a25f-4ac4-91d4-076bb72aae9e | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-27T16:58:00.630804+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
307e6900-a25f-4ac4-91d4-076bb72aae9e	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:58:00.630804+00:00
29fd22b1-e318-41d9-921b-477605b3551b	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:58:00.539275+00:00
2d417ed9-d980-4060-934b-e82f9cf76af4	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:58:00.483925+00:00
42e9fb16-ffdf-4f0c-8818-4774135ff438	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:58:00.425454+00:00
b4de3598-96c5-4cc1-8453-ba1ee0d32473	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:58:00.348784+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1100	############################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1100

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
307e6900-a25f-4ac4-91d4-076bb72aae9e	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:58:00.630804+00:00
29fd22b1-e318-41d9-921b-477605b3551b	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:58:00.539275+00:00
2d417ed9-d980-4060-934b-e82f9cf76af4	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:58:00.483925+00:00
42e9fb16-ffdf-4f0c-8818-4774135ff438	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:58:00.425454+00:00
b4de3598-96c5-4cc1-8453-ba1ee0d32473	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:58:00.348784+00:00
0f5f4f8a-3b49-4cfa-9eba-f75b3ee361ff	python-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:58:00.282027+00:00
67a351c5-8219-41f1-9730-e295f1c9eab4	typescript-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:58:00.214142+00:00
8255a447-6acf-4367-bc36-8e19f62758e9	python-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:58:00.143694+00:00
0bc66239-5354-4960-b1ae-0cf6700fe6cb	typescript-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:58:00.030258+00:00
50b59c5e-f29a-4f1b-b4aa-a474a8871238	python-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:57:59.885589+00:00

Cost Frontier

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