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: 7c0c67de-09b4-4c5b-a3a1-94182490c3c7 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-07T22:53:29.118763+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
7c0c67de-09b4-4c5b-a3a1-94182490c3c7	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T22:53:29.118763+00:00
022c2481-9ffb-4749-a397-05362dde2cf2	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T22:53:29.032290+00:00
e69ac18a-ded4-4dae-afa0-f40476d00bc2	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T22:53:28.950033+00:00
0d884d71-e18e-4256-91a5-c208787b68b9	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T22:53:28.867555+00:00
9a4d4f89-e04d-4746-acb4-e93557bdce31	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T22:53:28.797780+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	2250	##########################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

2250

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
7c0c67de-09b4-4c5b-a3a1-94182490c3c7	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:29.118763+00:00
022c2481-9ffb-4749-a397-05362dde2cf2	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:29.032290+00:00
e69ac18a-ded4-4dae-afa0-f40476d00bc2	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:28.950033+00:00
0d884d71-e18e-4256-91a5-c208787b68b9	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:28.867555+00:00
9a4d4f89-e04d-4746-acb4-e93557bdce31	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:28.797780+00:00
2f129da0-f195-4015-80b6-a0bf99828296	python-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:28.718208+00:00
435e6b51-ba76-4f58-b5f6-2ae95b078c13	typescript-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:28.636421+00:00
0739ad26-35a6-40a4-a4b7-9b9e04f3093e	python-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:28.561146+00:00
2a636e1f-b474-4abc-a56e-9aecbdaea1cf	typescript-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:28.481632+00:00
63c54e67-272f-4051-b31a-86f5ce6b1787	python-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:28.392308+00:00

Cost Frontier

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