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: 729f08bd-363f-4389-a64c-221780ac4f50 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-28T00:06:00.156327+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
729f08bd-363f-4389-a64c-221780ac4f50	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:06:00.156327+00:00
5dcb592c-76c1-4b3e-a1e3-9687f87b20d7	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:06:00.097171+00:00
dc7e4b67-96c4-40b6-838f-2ab305cf8ad3	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:06:00.035072+00:00
fedd8b01-a268-4c35-9eec-ddf54eb9eeea	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:05:59.972708+00:00
022d05e3-ca81-406a-907d-69ff61b5b103	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:05:59.911699+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1600	################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1600

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
729f08bd-363f-4389-a64c-221780ac4f50	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:06:00.156327+00:00
5dcb592c-76c1-4b3e-a1e3-9687f87b20d7	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:06:00.097171+00:00
dc7e4b67-96c4-40b6-838f-2ab305cf8ad3	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:06:00.035072+00:00
fedd8b01-a268-4c35-9eec-ddf54eb9eeea	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:59.972708+00:00
022d05e3-ca81-406a-907d-69ff61b5b103	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:59.911699+00:00
ef7c2f8e-4d10-4fc2-862b-d853c4700f3d	python-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:59.846632+00:00
c35e3342-94cb-48bf-83d3-237e749701c3	typescript-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:59.790215+00:00
34fe05df-0543-4a73-a06a-60303d536a6a	python-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:59.731397+00:00
d81e9fd7-01c0-476d-b3d2-00be37ea453e	typescript-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:59.670756+00:00
085091fd-0267-40dc-a971-37bae7c11c82	python-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:59.607265+00:00

Cost Frontier

pass_rate vs cost_usd (Pareto frontier marked with *)
* [####################] 100.0% @ $0.0050  (coder)