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: acb14221-5b9c-4afc-a615-c5a0a261be54 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-08T22:26:13.495190+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
acb14221-5b9c-4afc-a615-c5a0a261be54	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T22:26:13.495190+00:00
7de43038-4f4b-4c0b-ac27-e8d345fbc5f6	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T22:26:13.353552+00:00
bf031d90-357d-4053-bfae-e0dc2549c838	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T22:26:13.192735+00:00
4e3558a5-af67-4f90-9828-b57fa39355b3	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T22:26:13.052849+00:00
72091ba9-c536-41a2-a5de-132e7b3a8c2e	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T22:26:12.889123+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	3000	########################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

3000

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
acb14221-5b9c-4afc-a615-c5a0a261be54	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:26:13.495190+00:00
7de43038-4f4b-4c0b-ac27-e8d345fbc5f6	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:26:13.353552+00:00
bf031d90-357d-4053-bfae-e0dc2549c838	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:26:13.192735+00:00
4e3558a5-af67-4f90-9828-b57fa39355b3	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:26:13.052849+00:00
72091ba9-c536-41a2-a5de-132e7b3a8c2e	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:26:12.889123+00:00
fcb84618-3000-474b-b79e-16113dacc75f	python-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:26:12.777317+00:00
1c312084-dbe7-4591-b40d-f5b2b77bdc22	typescript-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:26:12.578509+00:00
f18e7106-397b-4a8d-aed8-f4d696885b01	python-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:26:12.452697+00:00
73ccb16d-6d97-40fb-9105-8dbe6f5a8007	typescript-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:26:12.352682+00:00
e0921314-e25b-41d6-8a3c-dacaedeea3f1	python-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:26:12.251888+00:00

Cost Frontier

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