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: 77aa6646-1dee-4c25-a735-778d481f111d | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-28T00:05:54.900549+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
77aa6646-1dee-4c25-a735-778d481f111d	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:05:54.900549+00:00
4c17cdc5-f784-4a2b-9bb5-c2b40b8fb766	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:05:54.847271+00:00
52f71330-e3d3-4faf-8bbf-f08b0048efcf	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:05:54.780880+00:00
bb1bc6b6-3e21-4362-927e-ddbaba1d3380	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:05:54.711453+00:00
ff1ff355-91f3-4979-aa7d-73ee7fa085c5	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:05:54.644048+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1550	##############################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1550

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
77aa6646-1dee-4c25-a735-778d481f111d	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:54.900549+00:00
4c17cdc5-f784-4a2b-9bb5-c2b40b8fb766	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:54.847271+00:00
52f71330-e3d3-4faf-8bbf-f08b0048efcf	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:54.780880+00:00
bb1bc6b6-3e21-4362-927e-ddbaba1d3380	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:54.711453+00:00
ff1ff355-91f3-4979-aa7d-73ee7fa085c5	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:54.644048+00:00
f0f547b4-3f60-4e52-b4f8-aa0f5b3951b9	python-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:54.577326+00:00
9e788ba3-140c-4753-937a-05eeb084e2b7	typescript-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:54.514442+00:00
75d2aa20-ec3b-4001-b9f3-9185282ae52b	python-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:54.436266+00:00
d34c8600-d03d-49e3-a309-51a3da2c0c39	typescript-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:54.376038+00:00
4842fe26-4f50-4f0c-a23a-a728a009f9b6	python-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:54.316411+00:00

Cost Frontier

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