Eval Report: ci-pr-smoke

Profile: gdm-swebench-lite-v1 | Tasks: 15 | Pass rate: 100.0% | Cost: $0.0150

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

Leaderboard Snapshot

Latest run: 17b4dfad-efd1-48bb-bd11-52fc5ec7ea18 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-07T22:53:32.800089+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
17b4dfad-efd1-48bb-bd11-52fc5ec7ea18	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T22:53:32.800089+00:00
7ca6c67b-4d06-4687-88f3-4adbba9192aa	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T22:53:32.715097+00:00
5afdc37a-dc19-4b45-bb91-39e599a18e1b	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T22:53:32.578976+00:00
99ce809e-8911-438c-86ef-98763602da85	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T22:53:32.345776+00:00
c3ef6665-8470-45a2-8d83-49e0b5ee221b	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T22:53:32.067886+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1081	#########################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1081

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
17b4dfad-efd1-48bb-bd11-52fc5ec7ea18	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:32.800089+00:00
7ca6c67b-4d06-4687-88f3-4adbba9192aa	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:32.715097+00:00
5afdc37a-dc19-4b45-bb91-39e599a18e1b	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:32.578976+00:00
99ce809e-8911-438c-86ef-98763602da85	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:32.345776+00:00
c3ef6665-8470-45a2-8d83-49e0b5ee221b	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:32.067886+00:00
428cabd6-dc91-4939-bb09-8695a1e72c40	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:31.680450+00:00
f10d328a-7e8b-4e70-9266-c70784ceab77	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:31.449951+00:00
f5d60b47-4f24-44c5-9e8a-1ca653dd58c6	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:31.374047+00:00
8fc70f2a-0917-4a1a-8d1b-787ddfcc5842	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:31.274340+00:00
7d712922-9076-4004-a29d-5ec8f0b4d510	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:31.167801+00:00

Cost Frontier

pass_rate vs cost_usd (Pareto frontier marked with *)
* [####################] 100.0% @ $0.0047  (coder)