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: 63daea28-d006-4690-bf04-853ccece1b10 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-07T23:30:18.847314+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
63daea28-d006-4690-bf04-853ccece1b10	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:30:18.847314+00:00
c5d38e82-da2e-41d2-8728-4c2dd918aadd	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:30:18.740026+00:00
76efa697-502e-446c-be1d-d8e308b53603	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:30:18.634161+00:00
a2ab0c1f-1387-4fe8-84a1-c3d5f70e1b41	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:30:18.554320+00:00
674bd7dd-be18-439c-9bac-61a3a4b1d5d9	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:30:18.453845+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	2500	####################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

2500

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
63daea28-d006-4690-bf04-853ccece1b10	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:30:18.847314+00:00
c5d38e82-da2e-41d2-8728-4c2dd918aadd	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:30:18.740026+00:00
76efa697-502e-446c-be1d-d8e308b53603	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:30:18.634161+00:00
a2ab0c1f-1387-4fe8-84a1-c3d5f70e1b41	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:30:18.554320+00:00
674bd7dd-be18-439c-9bac-61a3a4b1d5d9	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:30:18.453845+00:00
56a3c3da-7b1d-4234-b64d-7a5f3fb969de	python-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:30:18.370083+00:00
0246d1ac-0e43-4237-926d-e8ae02ec966d	typescript-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:30:18.271359+00:00
011061de-3e0d-432c-a8e8-9b2673c1776a	python-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:30:18.181581+00:00
e885584b-84ae-488a-be0b-f9d4eee289a7	typescript-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:30:18.087316+00:00
0178c50e-a46c-4075-919e-6b9530b76f22	python-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:30:17.992194+00:00

Cost Frontier

pass_rate vs cost_usd (Pareto frontier marked with *)
* [####################] 100.0% @ $0.0047  (coder)