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: e905901f-4b68-47bc-88e7-8f4359b1dd68 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-08T21:29:51.073385+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
e905901f-4b68-47bc-88e7-8f4359b1dd68	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T21:29:51.073385+00:00
2fafa6d9-4437-4b46-829f-bf93a238885c	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T21:29:50.924759+00:00
f1096fb3-f0b7-4d72-8768-62a835c9b386	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T21:29:50.692462+00:00
4a9eaa8d-5da1-4b5a-b496-0def2784406d	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T21:29:50.294516+00:00
d2545f8d-571e-4bfd-a778-d0fdc3138fe8	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T21:29:50.041173+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	2800	################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

2800

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
e905901f-4b68-47bc-88e7-8f4359b1dd68	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T21:29:51.073385+00:00
2fafa6d9-4437-4b46-829f-bf93a238885c	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T21:29:50.924759+00:00
f1096fb3-f0b7-4d72-8768-62a835c9b386	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T21:29:50.692462+00:00
4a9eaa8d-5da1-4b5a-b496-0def2784406d	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T21:29:50.294516+00:00
d2545f8d-571e-4bfd-a778-d0fdc3138fe8	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T21:29:50.041173+00:00
0c4453c9-80fb-47a5-b3cc-31eff8cf783e	python-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T21:29:49.923080+00:00
8c914429-5f2d-47c7-9725-007047c1f9ce	typescript-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T21:29:49.802524+00:00
7f9be0d6-beeb-4dab-adee-e481076e3abc	python-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T21:29:49.714865+00:00
b454f1f3-3602-48a6-b1fe-949f14c9abae	typescript-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T21:29:49.596847+00:00
77ae9fb6-932a-428e-bdc7-32338d166a1f	python-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T21:29:49.467107+00:00

Cost Frontier

pass_rate vs cost_usd (Pareto frontier marked with *)
* [####################] 100.0% @ $0.0046  (coder)