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: f1686ec9-b3b8-415c-9096-cc39f955d63e | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-28T00:42:57.413949+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
f1686ec9-b3b8-415c-9096-cc39f955d63e	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:42:57.413949+00:00
4a9376c7-d1f4-44a5-84b0-0a6d43f6ea70	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:42:57.338842+00:00
5466a68f-4e08-485e-8d95-75be75bb6743	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:42:57.253738+00:00
3606e80b-b786-4c35-ad0f-0bf9a52df6e2	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:42:57.180644+00:00
6ca54be9-2d28-43c0-9526-a59e8d28aebf	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:42:57.104726+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	2100	####################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

2100

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
f1686ec9-b3b8-415c-9096-cc39f955d63e	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:57.413949+00:00
4a9376c7-d1f4-44a5-84b0-0a6d43f6ea70	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:57.338842+00:00
5466a68f-4e08-485e-8d95-75be75bb6743	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:57.253738+00:00
3606e80b-b786-4c35-ad0f-0bf9a52df6e2	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:57.180644+00:00
6ca54be9-2d28-43c0-9526-a59e8d28aebf	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:57.104726+00:00
acf42f7a-fadf-4d1c-9e1d-d037ae69059d	python-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:56.987132+00:00
e39126ba-15dd-4d1c-9f88-0f39efb8c867	typescript-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:56.901561+00:00
0a58d438-70d1-4bac-9de0-fed6a55b4a9d	python-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:56.828317+00:00
afd168aa-16e8-4087-86ee-6b17749c4e44	typescript-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:56.754542+00:00
45099dc0-0374-4456-934a-78b7e08bdd67	python-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:56.671360+00:00

Cost Frontier

pass_rate vs cost_usd (Pareto frontier marked with *)
* [####################] 100.0% @ $0.0049  (coder)