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: c5180af7-5bee-4801-b7ae-d6ac806756e3 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-28T00:42:51.494337+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
c5180af7-5bee-4801-b7ae-d6ac806756e3	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:42:51.494337+00:00
c1aa8a21-5e21-44bd-bea6-d6db178116ec	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:42:51.433611+00:00
a9b75fdc-8411-4ac7-9aef-0f325f684098	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:42:51.363664+00:00
621fecce-00f5-49d9-bca9-dd933f2ae711	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:42:51.298643+00:00
ce98dee8-2654-405c-be1a-40f005388db2	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:42:51.241563+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	2050	##################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

2050

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
c5180af7-5bee-4801-b7ae-d6ac806756e3	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:51.494337+00:00
c1aa8a21-5e21-44bd-bea6-d6db178116ec	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:51.433611+00:00
a9b75fdc-8411-4ac7-9aef-0f325f684098	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:51.363664+00:00
621fecce-00f5-49d9-bca9-dd933f2ae711	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:51.298643+00:00
ce98dee8-2654-405c-be1a-40f005388db2	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:51.241563+00:00
36f8ac0b-5a41-4516-a7a6-0ceee1b5b2bf	python-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:51.175679+00:00
23243b16-88a5-4e64-99f8-ae83b0c71ffc	typescript-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:51.108571+00:00
7e488bfd-a7c6-4946-a9af-e91a167fe8a9	python-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:51.041223+00:00
c6aa7e0b-a34e-477d-b5bf-1ec38f91ee18	typescript-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:50.989668+00:00
5d3bef3e-6bb0-4661-a716-9b1895b148ba	python-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:50.917754+00:00

Cost Frontier

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