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: d7128104-3a87-4164-b5b6-5e394cb7105e | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-28T00:11:25.234154+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
d7128104-3a87-4164-b5b6-5e394cb7105e	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:11:25.234154+00:00
4807a80f-648d-4e43-8c8d-56cdbd0e736e	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:11:25.146541+00:00
a49017bc-76b4-4151-993e-2d691612a09c	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:11:25.062563+00:00
2c92b56b-eb97-4458-8c23-f8bfc01cc779	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:11:24.977752+00:00
8fdce767-d91d-41c0-a782-dbeb72357086	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:11:24.905736+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1800	########################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1800

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
d7128104-3a87-4164-b5b6-5e394cb7105e	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:11:25.234154+00:00
4807a80f-648d-4e43-8c8d-56cdbd0e736e	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:11:25.146541+00:00
a49017bc-76b4-4151-993e-2d691612a09c	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:11:25.062563+00:00
2c92b56b-eb97-4458-8c23-f8bfc01cc779	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:11:24.977752+00:00
8fdce767-d91d-41c0-a782-dbeb72357086	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:11:24.905736+00:00
51248149-17be-4d29-888f-8cf8df5814c5	python-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:11:24.845801+00:00
8d88ae8f-c1c1-46d3-a398-b0271bac31fb	typescript-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:11:24.768990+00:00
66519f7b-bf8f-49a0-b0f1-61701f23d9a5	python-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:11:24.704640+00:00
34c7f7c4-d367-492c-aee2-6176cb1c5fc3	typescript-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:11:24.630413+00:00
2a7c6945-c803-4a5c-a1bb-dc9ef361fc92	python-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:11:24.541228+00:00

Cost Frontier

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