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: 3ce8cf99-e47a-4f39-b676-01b4486b5dfc | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-09T14:37:12.793169+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
3ce8cf99-e47a-4f39-b676-01b4486b5dfc	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T14:37:12.793169+00:00
dfc93155-98f7-4b73-a023-95ded4f0c1a5	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T14:37:12.669931+00:00
257f0a6f-738f-405b-8237-4916ca9e4e84	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T14:37:12.521941+00:00
ee77e682-53cb-420a-9c65-c9efa91bb698	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T14:37:12.388914+00:00
f3986f50-a850-4fa0-b681-10b96dfd3a72	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T14:37:12.157504+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	4200	########################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

4200

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
3ce8cf99-e47a-4f39-b676-01b4486b5dfc	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:37:12.793169+00:00
dfc93155-98f7-4b73-a023-95ded4f0c1a5	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:37:12.669931+00:00
257f0a6f-738f-405b-8237-4916ca9e4e84	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:37:12.521941+00:00
ee77e682-53cb-420a-9c65-c9efa91bb698	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:37:12.388914+00:00
f3986f50-a850-4fa0-b681-10b96dfd3a72	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:37:12.157504+00:00
5f88e0cb-bfb8-46c2-afc8-c228cebeef12	python-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:37:12.031519+00:00
15362b5e-98af-47c9-868b-04d66a6a32f5	typescript-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:37:11.906323+00:00
53d2445f-d0cf-4514-aaa1-b18fcddb06ef	python-bugfix-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:37:11.779606+00:00
16e59df0-ab94-4902-8535-ba69bbf2e7f4	typescript-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:37:11.662211+00:00
5fc26362-e529-4048-8009-d77175de0c1a	python-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:37:11.528314+00:00

Cost Frontier

pass_rate vs cost_usd (Pareto frontier marked with *)
* [####################] 100.0% @ $0.0042  (coder)