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: 388269a8-8d17-42bc-9589-284b6f5071db | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-07T22:53:37.232004+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
388269a8-8d17-42bc-9589-284b6f5071db	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T22:53:37.232004+00:00
0fb7771b-39d5-4d44-83d8-efea995700fb	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T22:53:37.163122+00:00
65c5de00-f9d6-4c35-9cf1-cddf0cf6e4a8	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T22:53:37.087944+00:00
a4455567-fa77-466c-a171-65cdf72ade00	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T22:53:37.010960+00:00
408195e0-bae5-49e7-bad2-a85657f63b20	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T22:53:36.952614+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	2300	############################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

2300

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
388269a8-8d17-42bc-9589-284b6f5071db	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:37.232004+00:00
0fb7771b-39d5-4d44-83d8-efea995700fb	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:37.163122+00:00
65c5de00-f9d6-4c35-9cf1-cddf0cf6e4a8	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:37.087944+00:00
a4455567-fa77-466c-a171-65cdf72ade00	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:37.010960+00:00
408195e0-bae5-49e7-bad2-a85657f63b20	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:36.952614+00:00
c7140dac-6f4d-4241-8807-4e115148de5c	python-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:36.883338+00:00
8cc48d2c-bc42-49b7-ad25-bf9f29a64bab	typescript-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:36.803718+00:00
53eab96d-e115-4a69-bd39-e05a1703304c	python-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:36.731136+00:00
0f4aad4b-1f9e-4d54-b890-ab7cfaec975d	typescript-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:36.649578+00:00
f411da4b-098a-4943-9ea5-99431826527b	python-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:36.566655+00:00

Cost Frontier

pass_rate vs cost_usd (Pareto frontier marked with *)
* [####################] 100.0% @ $0.0048  (coder)