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: 03902f7b-992d-46b1-9ca8-2e2fd3bcfe83 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-07T23:10:25.184450+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
03902f7b-992d-46b1-9ca8-2e2fd3bcfe83	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:10:25.184450+00:00
15a79eae-b845-479e-a139-7b95ffe9c8e0	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:10:25.065198+00:00
d472f365-46aa-4996-85ad-1773ff2de407	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:10:24.961718+00:00
bae7a87c-d953-4e3d-a4cc-b501f14d3945	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:10:24.858234+00:00
4a1a1641-7291-4c48-b236-ed3f64fe28d9	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:10:24.754481+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	2400	################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

2400

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
03902f7b-992d-46b1-9ca8-2e2fd3bcfe83	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:25.184450+00:00
15a79eae-b845-479e-a139-7b95ffe9c8e0	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:25.065198+00:00
d472f365-46aa-4996-85ad-1773ff2de407	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:24.961718+00:00
bae7a87c-d953-4e3d-a4cc-b501f14d3945	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:24.858234+00:00
4a1a1641-7291-4c48-b236-ed3f64fe28d9	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:24.754481+00:00
d2a7067b-3a0f-4cbf-8077-7a9960316139	python-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:24.649202+00:00
eb993dbe-3894-4d5d-bb03-b3143a0b33ca	typescript-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:24.546346+00:00
21f3ec0e-7d0a-45b7-b317-cf1004ee0593	python-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:24.432185+00:00
58f2253d-55d8-463a-9c52-6d70f190b02f	typescript-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:24.322749+00:00
24de33a4-4e3d-4ac1-b53f-d2e87e86f42e	python-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:24.211213+00:00

Cost Frontier

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