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: 7b5a1d08-cff4-4cbd-91ed-d6cb70bf72ee | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-09T00:28:20.823338+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
7b5a1d08-cff4-4cbd-91ed-d6cb70bf72ee	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T00:28:20.823338+00:00
6c78422e-24d1-451c-b33c-2e1e03e94522	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T00:28:20.768500+00:00
68e01def-6246-42c5-b117-487a0ae4d5f1	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T00:28:20.667696+00:00
6abcf298-6ab8-498b-aeff-0b8a16c3b478	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T00:28:20.622733+00:00
d09ed1b2-f260-4e40-a29a-6ad096a678ef	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T00:28:20.580705+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	3200	################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

3200

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
7b5a1d08-cff4-4cbd-91ed-d6cb70bf72ee	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T00:28:20.823338+00:00
6c78422e-24d1-451c-b33c-2e1e03e94522	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T00:28:20.768500+00:00
68e01def-6246-42c5-b117-487a0ae4d5f1	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T00:28:20.667696+00:00
6abcf298-6ab8-498b-aeff-0b8a16c3b478	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T00:28:20.622733+00:00
d09ed1b2-f260-4e40-a29a-6ad096a678ef	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T00:28:20.580705+00:00
d96512ea-2c81-4fed-9e61-7f9f7a36d619	python-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T00:28:20.538598+00:00
73c6408e-52da-40b5-8958-8322558a6e3c	typescript-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T00:28:20.499918+00:00
2adb3e10-064f-4674-bd7a-720daa8b78b5	python-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T00:28:20.453768+00:00
81cec057-6b1b-4fd6-a35e-3d5a4a775d0a	typescript-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T00:28:20.396231+00:00
400c8af1-a6d1-47be-86da-ee9469e3a944	python-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T00:28:20.332132+00:00

Cost Frontier

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