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: 09c34154-cfe2-43be-ae08-cfb095071d24 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-27T17:10:37.732800+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
09c34154-cfe2-43be-ae08-cfb095071d24	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T17:10:37.732800+00:00
38081699-b9a8-4a9c-8e24-c5f37e86c1c7	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T17:10:37.615176+00:00
7056e90a-885b-448e-823d-e498b52befe5	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T17:10:37.539302+00:00
d739438d-9f5b-42a3-833f-47506dd0658a	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T17:10:37.458797+00:00
873145b6-042c-4ec8-b430-293b50f1df78	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T17:10:37.383062+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1250	##################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1250

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
09c34154-cfe2-43be-ae08-cfb095071d24	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:10:37.732800+00:00
38081699-b9a8-4a9c-8e24-c5f37e86c1c7	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:10:37.615176+00:00
7056e90a-885b-448e-823d-e498b52befe5	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:10:37.539302+00:00
d739438d-9f5b-42a3-833f-47506dd0658a	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:10:37.458797+00:00
873145b6-042c-4ec8-b430-293b50f1df78	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:10:37.383062+00:00
8c64ff92-20d6-4126-b382-2a45d7ad900a	python-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:10:37.304613+00:00
813f3a0d-6ccf-42d1-a1ca-acbc25896c5a	typescript-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:10:37.216882+00:00
1032ec7f-6167-4c4a-8eb7-660afab0c708	python-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:10:37.138668+00:00
37aef68f-18cf-4538-8def-051ac1d16e44	typescript-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:10:37.055997+00:00
0a85261c-10bc-4e91-ba19-717d46ec9a8d	python-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:10:36.970140+00:00

Cost Frontier

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