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: 99fc3f84-c94d-49ba-aa05-03fb68b6e1a6 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-27T17:12:35.606960+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
99fc3f84-c94d-49ba-aa05-03fb68b6e1a6	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T17:12:35.606960+00:00
4af32772-9836-4a6d-9c3e-bca2342e5019	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T17:12:35.523920+00:00
91492ab5-fbf4-486a-aaf9-f52de80a060d	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T17:12:35.447655+00:00
e08cae1a-6366-4d88-ba27-f39acdc837a1	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T17:12:35.370942+00:00
b78bdf2d-7eba-48ff-9ee4-0b499dc88549	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T17:12:35.292122+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1400	########################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1400

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
99fc3f84-c94d-49ba-aa05-03fb68b6e1a6	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:12:35.606960+00:00
4af32772-9836-4a6d-9c3e-bca2342e5019	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:12:35.523920+00:00
91492ab5-fbf4-486a-aaf9-f52de80a060d	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:12:35.447655+00:00
e08cae1a-6366-4d88-ba27-f39acdc837a1	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:12:35.370942+00:00
b78bdf2d-7eba-48ff-9ee4-0b499dc88549	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:12:35.292122+00:00
5c51a2eb-d5af-4e9c-b377-3f21dd6de17a	python-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:12:35.202343+00:00
65c7d75f-2f6e-4faf-8402-7db800cbb37e	typescript-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:12:35.126183+00:00
1b32dd0b-5703-489a-9e6e-0a0e59efc82e	python-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:12:35.027343+00:00
777a43f8-20a7-49c0-adb5-adf08dd6c56a	typescript-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:12:34.954528+00:00
400ad2ea-d4ec-49f1-85a9-88242164c432	python-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:12:34.853044+00:00

Cost Frontier

pass_rate vs cost_usd (Pareto frontier marked with *)
* [####################] 100.0% @ $0.0051  (coder)