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: e913d500-d595-4206-87a3-65032bafd0b6 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-08T22:15:51.726498+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
e913d500-d595-4206-87a3-65032bafd0b6	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T22:15:51.726498+00:00
d4c91863-b858-4468-b8ac-f1fd11de8697	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T22:15:51.519745+00:00
a0f69a30-4978-4b90-b4ee-239d93f4cf74	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T22:15:51.265142+00:00
65a3b91d-69ec-41ee-b9b2-cae372363e8e	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T22:15:51.140211+00:00
9b28db82-2229-44c6-8f8a-b82afd306494	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T22:15:51.013701+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	2900	####################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

2900

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
e913d500-d595-4206-87a3-65032bafd0b6	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:51.726498+00:00
d4c91863-b858-4468-b8ac-f1fd11de8697	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:51.519745+00:00
a0f69a30-4978-4b90-b4ee-239d93f4cf74	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:51.265142+00:00
65a3b91d-69ec-41ee-b9b2-cae372363e8e	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:51.140211+00:00
9b28db82-2229-44c6-8f8a-b82afd306494	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:51.013701+00:00
6bbbd22a-5d0f-4bd2-a7f6-d3af8ea2620d	python-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:50.841097+00:00
b2f9d079-5d74-4038-b782-deb1bc1d6ccc	typescript-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:50.605978+00:00
947d7149-5f4a-4bfd-b513-f7d61fec29d0	python-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:50.464948+00:00
cc13c085-7291-4a49-8ae3-a22f5bf44b80	typescript-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:50.324295+00:00
872d1a60-4225-4a9c-8716-a3758eb20285	python-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:50.198956+00:00

Cost Frontier

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