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: 5f3355e8-98f4-44a2-ac91-03ff3a59582f | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-28T00:18:59.525339+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
5f3355e8-98f4-44a2-ac91-03ff3a59582f	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:18:59.525339+00:00
05fd11b7-4c65-432a-9a21-5059f08e087b	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:18:59.452907+00:00
30f602c5-0daa-4df8-9dd8-c9a4dc784020	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:18:59.388004+00:00
b16f777b-3509-4639-8225-d00572ca7928	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:18:59.323046+00:00
8be731ed-7fea-4bea-97c4-f2e4ba72e755	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:18:59.257027+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1850	##########################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1850

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
5f3355e8-98f4-44a2-ac91-03ff3a59582f	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:18:59.525339+00:00
05fd11b7-4c65-432a-9a21-5059f08e087b	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:18:59.452907+00:00
30f602c5-0daa-4df8-9dd8-c9a4dc784020	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:18:59.388004+00:00
b16f777b-3509-4639-8225-d00572ca7928	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:18:59.323046+00:00
8be731ed-7fea-4bea-97c4-f2e4ba72e755	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:18:59.257027+00:00
87c24e9c-56c4-4367-ba47-8005829fa92e	python-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:18:59.186153+00:00
73b7c61f-ffab-47d5-8244-d053dbbfea22	typescript-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:18:59.117936+00:00
4c8f6fdc-3304-48f0-b72f-1541bfe110cf	python-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:18:59.035124+00:00
700dacbb-54ad-487a-9578-4e632c31efe6	typescript-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:18:58.965670+00:00
bc772c5a-62d8-4f5a-a027-328cfd23ff17	python-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:18:58.903282+00:00

Cost Frontier

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