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: cf5334bc-03af-4f06-bc09-fb163cf26694 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-27T23:48:10.409187+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
cf5334bc-03af-4f06-bc09-fb163cf26694	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T23:48:10.409187+00:00
95522335-a277-4914-b2d8-003842fdad53	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T23:48:10.324996+00:00
18bbc9b5-8960-4657-ae78-4bc77b212fb3	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T23:48:10.254752+00:00
38a186fd-3d39-45b9-bea7-3df9b949c043	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T23:48:10.157821+00:00
1b4b92fd-0780-46fd-b64d-a3f32d955ad6	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T23:48:10.082625+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1450	##########################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1450

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
cf5334bc-03af-4f06-bc09-fb163cf26694	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T23:48:10.409187+00:00
95522335-a277-4914-b2d8-003842fdad53	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T23:48:10.324996+00:00
18bbc9b5-8960-4657-ae78-4bc77b212fb3	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T23:48:10.254752+00:00
38a186fd-3d39-45b9-bea7-3df9b949c043	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T23:48:10.157821+00:00
1b4b92fd-0780-46fd-b64d-a3f32d955ad6	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T23:48:10.082625+00:00
12c6a999-324c-446b-a7dd-ca1e0a93f746	python-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T23:48:10.009523+00:00
02521084-0c4a-40b7-bc3a-c703f71fcf4f	typescript-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T23:48:09.953110+00:00
2d83b7ca-ac8d-4adb-a842-6af07f91b630	python-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T23:48:09.873075+00:00
99af9daa-4a89-4988-a203-1aeceac465c7	typescript-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T23:48:09.804506+00:00
b50104c6-ff38-4bd8-8090-7baca1a5222f	python-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T23:48:09.724936+00:00

Cost Frontier

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