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: 16575e56-5b85-4a02-9082-83aecb51ea1a | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-28T00:11:18.909629+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
16575e56-5b85-4a02-9082-83aecb51ea1a	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:11:18.909629+00:00
6d8a5315-05c4-4b3c-a050-95650ccaf16d	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:11:18.837359+00:00
188d3828-8bb9-42a3-91dd-0db65ec6ae63	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:11:18.761241+00:00
798057ce-188a-479c-b4bf-bfaddc6994f0	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:11:18.697771+00:00
bb651043-f1a6-4c19-9ee4-3e2f5e9ff6f5	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:11:18.618066+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1750	######################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1750

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
16575e56-5b85-4a02-9082-83aecb51ea1a	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:11:18.909629+00:00
6d8a5315-05c4-4b3c-a050-95650ccaf16d	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:11:18.837359+00:00
188d3828-8bb9-42a3-91dd-0db65ec6ae63	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:11:18.761241+00:00
798057ce-188a-479c-b4bf-bfaddc6994f0	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:11:18.697771+00:00
bb651043-f1a6-4c19-9ee4-3e2f5e9ff6f5	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:11:18.618066+00:00
40eb7f9c-444f-4a06-b677-90132a40f433	python-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:11:18.537303+00:00
d80dcd1c-1b72-4db4-b5a3-9fc3af6ee59e	typescript-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:11:18.430208+00:00
a2614647-6df3-4800-83e5-5337d96c09fa	python-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:11:18.353426+00:00
be790771-eccb-41b3-a00a-acd588a69da4	typescript-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:11:18.277002+00:00
2c8fd08e-ffd4-4697-b9ba-0b5ea0881864	python-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:11:18.212847+00:00

Cost Frontier

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