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: 35620a53-028e-43dc-97b7-95821fd1dc11 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-27T16:52:02.694854+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
35620a53-028e-43dc-97b7-95821fd1dc11	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:52:02.694854+00:00
3223087e-6218-4e6b-b568-6f49eeeb3aa5	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:52:02.606188+00:00
67194b2d-afec-4797-82a6-db899125fc55	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:52:02.523780+00:00
a90d0393-45e4-4b26-bd2c-5c53fdc6b99b	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:52:02.457417+00:00
8b0afa0d-9958-4661-9856-34855de9457f	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:52:02.386966+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1000	########################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1000

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
35620a53-028e-43dc-97b7-95821fd1dc11	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:52:02.694854+00:00
3223087e-6218-4e6b-b568-6f49eeeb3aa5	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:52:02.606188+00:00
67194b2d-afec-4797-82a6-db899125fc55	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:52:02.523780+00:00
a90d0393-45e4-4b26-bd2c-5c53fdc6b99b	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:52:02.457417+00:00
8b0afa0d-9958-4661-9856-34855de9457f	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:52:02.386966+00:00
8a872c60-acaf-4a27-bf0e-bc4bcd8f897f	python-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:52:02.283843+00:00
75d690e6-9bbf-4e15-b465-2e71e8a64a2d	typescript-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:52:02.129824+00:00
6cf69e71-aa0d-4b99-a9e0-c01991bd0c10	python-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:52:02.054289+00:00
ce1e0b56-65d3-4ea9-8b66-67350ec65738	typescript-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:52:01.988021+00:00
90b7476e-03d3-48bc-b537-bab423e7f398	python-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:52:01.919622+00:00

Cost Frontier

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