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: c0627ccc-e6ad-434a-a287-641ab056c5ba | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-28T00:09:15.564714+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
c0627ccc-e6ad-434a-a287-641ab056c5ba	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:09:15.564714+00:00
077d026e-8113-42b6-924c-875df7f5a96a	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:09:15.487547+00:00
0b370f7a-36a6-4285-ac8b-2277122c5f0f	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:09:15.377838+00:00
d9847b48-ba8a-4d59-b25e-2547514a45d7	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:09:15.265296+00:00
0d7719c3-56d5-458b-a7e4-9ab0a66e8123	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:09:15.172697+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1650	##################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1650

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
c0627ccc-e6ad-434a-a287-641ab056c5ba	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:09:15.564714+00:00
077d026e-8113-42b6-924c-875df7f5a96a	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:09:15.487547+00:00
0b370f7a-36a6-4285-ac8b-2277122c5f0f	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:09:15.377838+00:00
d9847b48-ba8a-4d59-b25e-2547514a45d7	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:09:15.265296+00:00
0d7719c3-56d5-458b-a7e4-9ab0a66e8123	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:09:15.172697+00:00
9d4ea5ac-1470-4970-9eeb-111d9bffa044	python-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:09:15.103920+00:00
4e69448a-8fe1-4687-947a-93d574a45cbe	typescript-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:09:15.043056+00:00
5119cb3b-cc76-4cb3-a2b8-15920e1d8c05	python-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:09:14.981352+00:00
434c1834-78fb-46d2-9125-e3329826e4e1	typescript-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:09:14.915155+00:00
b8a9d301-f468-4203-8869-9ab8eaf606cc	python-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:09:14.843921+00:00

Cost Frontier

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