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: 665a0079-ecc0-4690-8919-9ce5a1f9f612 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-27T16:59:01.724935+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
665a0079-ecc0-4690-8919-9ce5a1f9f612	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:59:01.724935+00:00
2f9ffbc1-6c36-4310-9bd4-af8e7718adeb	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:59:01.650766+00:00
babc41ec-f1de-4dba-b68d-e6ca05f77b22	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:59:01.576701+00:00
4fffd973-19d2-4c50-b097-6e225ac97358	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:59:01.505149+00:00
718ee58d-721c-4df4-af64-3ecf1efc2872	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:59:01.446363+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1150	##############################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1150

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
665a0079-ecc0-4690-8919-9ce5a1f9f612	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:59:01.724935+00:00
2f9ffbc1-6c36-4310-9bd4-af8e7718adeb	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:59:01.650766+00:00
babc41ec-f1de-4dba-b68d-e6ca05f77b22	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:59:01.576701+00:00
4fffd973-19d2-4c50-b097-6e225ac97358	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:59:01.505149+00:00
718ee58d-721c-4df4-af64-3ecf1efc2872	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:59:01.446363+00:00
4b5981a2-5973-4471-b8af-edfda51dc51f	python-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:59:01.374480+00:00
671dca85-d782-49ae-b97e-a9319e968c1c	typescript-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:59:01.268796+00:00
8670191a-ec89-4bb3-a1a4-32b564ffc4db	python-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:59:01.188281+00:00
d60bcefa-381e-4569-9f01-cbf291fbb2b1	typescript-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:59:01.114358+00:00
2cd1733c-6b6c-438a-9448-c603a91049a6	python-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:59:01.017433+00:00

Cost Frontier

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