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: be071781-8fb8-4e9f-878a-2729176250ad | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-28T00:24:06.302449+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
be071781-8fb8-4e9f-878a-2729176250ad	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:24:06.302449+00:00
67b4b27d-1225-441f-af39-ce006b488293	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:24:06.236697+00:00
2a80ead6-9ce6-4aea-bc76-ee0017b0953e	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:24:06.148195+00:00
8c8015eb-dc14-4e07-b3e8-f2fb14434d77	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:24:06.065971+00:00
99601342-2fe7-4300-aae9-d20dc5a4b007	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:24:05.984891+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1950	##############################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1950

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
be071781-8fb8-4e9f-878a-2729176250ad	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:24:06.302449+00:00
67b4b27d-1225-441f-af39-ce006b488293	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:24:06.236697+00:00
2a80ead6-9ce6-4aea-bc76-ee0017b0953e	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:24:06.148195+00:00
8c8015eb-dc14-4e07-b3e8-f2fb14434d77	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:24:06.065971+00:00
99601342-2fe7-4300-aae9-d20dc5a4b007	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:24:05.984891+00:00
693550e6-225f-4c94-bee2-d481f5cffc2e	python-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:24:05.895057+00:00
ac7ddc0f-c613-4e77-ba39-930a4aea3edd	typescript-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:24:05.825975+00:00
b674923d-ff91-4adc-845e-d704d35ee788	python-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:24:05.750502+00:00
ce46eb32-37ee-45ee-9af5-77190faf8dcd	typescript-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:24:05.671474+00:00
fb54edd9-5ee8-41f3-9e3b-cc514402ef5d	python-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:24:05.600220+00:00

Cost Frontier

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