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: ec5f2b36-9f0a-4994-ba9b-7fbe67a8884f | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-09T01:15:22.419263+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
ec5f2b36-9f0a-4994-ba9b-7fbe67a8884f	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T01:15:22.419263+00:00
233df12b-120d-4032-b069-6d81d2c40d97	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T01:15:22.340184+00:00
7068a3bc-bf2d-48c9-ba6f-effac5d9b064	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T01:15:22.260909+00:00
83c323d0-9bcb-42b5-991e-5ac888018865	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T01:15:22.159131+00:00
628b3497-67de-4999-9701-dd90b2254d56	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T01:15:22.036637+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	3300	####################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

3300

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
ec5f2b36-9f0a-4994-ba9b-7fbe67a8884f	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T01:15:22.419263+00:00
233df12b-120d-4032-b069-6d81d2c40d97	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T01:15:22.340184+00:00
7068a3bc-bf2d-48c9-ba6f-effac5d9b064	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T01:15:22.260909+00:00
83c323d0-9bcb-42b5-991e-5ac888018865	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T01:15:22.159131+00:00
628b3497-67de-4999-9701-dd90b2254d56	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T01:15:22.036637+00:00
c099b5ee-9166-4929-b7e7-147b9b4a5dde	python-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T01:15:21.937852+00:00
9395886d-e1bb-477a-b0b6-7a3ae45aab86	typescript-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T01:15:21.856653+00:00
95bda6a0-fda8-4976-94ae-3b4b2779ed99	python-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T01:15:21.687003+00:00
b9b4e9ab-d0aa-4ede-8b64-faf01af41887	typescript-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T01:15:21.598941+00:00
80997bc8-812a-4a12-96b8-302bf795d991	python-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T01:15:21.476612+00:00

Cost Frontier

pass_rate vs cost_usd (Pareto frontier marked with *)
* [####################] 100.0% @ $0.0045  (coder)