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: 129326b3-9e98-45f8-b4b2-51ccb822bbc3 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-07T23:30:13.753558+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
129326b3-9e98-45f8-b4b2-51ccb822bbc3	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:30:13.753558+00:00
e6ae641e-387d-4832-be1a-17e82fe7d067	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:30:13.574030+00:00
0bda3565-46a3-420d-8868-164824fe049c	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:30:13.490131+00:00
6a9a04c1-d165-40f5-bc9f-dd81e3cad5b8	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:30:13.325503+00:00
0d4a50d6-455b-482e-8b72-9491b46422f5	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:30:13.204458+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1175	#######################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1175

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
129326b3-9e98-45f8-b4b2-51ccb822bbc3	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:30:13.753558+00:00
e6ae641e-387d-4832-be1a-17e82fe7d067	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:30:13.574030+00:00
0bda3565-46a3-420d-8868-164824fe049c	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:30:13.490131+00:00
6a9a04c1-d165-40f5-bc9f-dd81e3cad5b8	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:30:13.325503+00:00
0d4a50d6-455b-482e-8b72-9491b46422f5	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:30:13.204458+00:00
e5685d36-6c45-4b26-9696-ad4f59399a25	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:30:13.033859+00:00
5c1b78e6-497e-401d-9e06-6b8a3d056b35	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:30:12.948431+00:00
355a4a26-9c68-45dd-9c4c-e12e409617b3	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:30:12.856174+00:00
7fe1d22e-37b2-478e-9bb2-30aeee12122b	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:30:12.776436+00:00
5ffebbbb-c99c-4fbb-a50a-d8b647e98402	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:30:12.680757+00:00

Cost Frontier

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