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: b9d5376d-fb33-4391-9e21-6be3c8435d19 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-07T23:10:16.628697+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
b9d5376d-fb33-4391-9e21-6be3c8435d19	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:10:16.628697+00:00
3e590bd2-dc8f-42bc-8b0d-560bfef9c43c	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:10:16.513711+00:00
beb8edc3-7546-4c80-9c94-5543ec40ac8f	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:10:16.402765+00:00
d89ff631-9273-41fa-861f-5cf7883de5dc	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:10:16.292243+00:00
af1326a4-d6bf-4154-8479-a3d3a8652c90	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:10:16.184468+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	2350	##############################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

2350

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
b9d5376d-fb33-4391-9e21-6be3c8435d19	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:16.628697+00:00
3e590bd2-dc8f-42bc-8b0d-560bfef9c43c	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:16.513711+00:00
beb8edc3-7546-4c80-9c94-5543ec40ac8f	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:16.402765+00:00
d89ff631-9273-41fa-861f-5cf7883de5dc	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:16.292243+00:00
af1326a4-d6bf-4154-8479-a3d3a8652c90	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:16.184468+00:00
6b4e0ede-90fd-4404-81aa-835eb6f4bfbe	python-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:16.081065+00:00
8527db78-af9e-4742-bb4a-6dfb92997610	typescript-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:15.978910+00:00
a449af97-9a9e-45e5-8492-094258fdf7be	python-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:15.867002+00:00
d5971bae-5af7-4f27-90c3-908e7d2bf11f	typescript-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:15.761735+00:00
f7813665-3e45-4030-a078-1a30ee203821	python-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:15.649535+00:00

Cost Frontier

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