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: 869c4579-9d85-4947-81a1-38d061607bfa | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-08T22:15:40.646943+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
869c4579-9d85-4947-81a1-38d061607bfa	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T22:15:40.646943+00:00
3da3e0c6-ab1a-48bf-a3d7-4ce116c5d06a	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T22:15:40.573576+00:00
3072b112-5d7d-4891-8c11-f920d75044ef	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T22:15:40.478923+00:00
5ee45116-dc9d-4223-8d20-a3909ae601dd	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T22:15:40.413275+00:00
9cd157b1-9481-428b-b93b-bcd32e93dd96	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T22:15:40.324103+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	2850	##################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

2850

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
869c4579-9d85-4947-81a1-38d061607bfa	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:40.646943+00:00
3da3e0c6-ab1a-48bf-a3d7-4ce116c5d06a	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:40.573576+00:00
3072b112-5d7d-4891-8c11-f920d75044ef	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:40.478923+00:00
5ee45116-dc9d-4223-8d20-a3909ae601dd	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:40.413275+00:00
9cd157b1-9481-428b-b93b-bcd32e93dd96	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:40.324103+00:00
2108c834-9d38-48e1-85a5-0ffbba29430f	python-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:40.237741+00:00
1ea2823d-e29b-4fd4-b94d-1f189d759382	typescript-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:40.169861+00:00
9c00ff15-6059-402d-af0b-c9a7f4ff72d7	python-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:40.100725+00:00
47839d03-0b0f-4532-83c6-28fe54235460	typescript-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:40.017320+00:00
67d6fe0f-3428-4ed9-85e2-92b90e5b22a0	python-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:39.935096+00:00

Cost Frontier

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