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: 3cf4fc6d-59cf-4829-ab4e-80139c19dbf4 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-07T23:45:06.249468+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
3cf4fc6d-59cf-4829-ab4e-80139c19dbf4	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:45:06.249468+00:00
7114fd5d-a56f-43de-b666-1ae2b2bff88c	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:45:06.117409+00:00
3b2d7824-520d-46c2-b9ea-a0c18794a5be	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:45:05.983763+00:00
337f5f33-392c-42b1-8713-d0f5c2087ab5	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:45:05.877091+00:00
65b38a20-43d7-4de3-97ca-2a2658e8f623	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:45:05.766612+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1222	######################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1222

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
3cf4fc6d-59cf-4829-ab4e-80139c19dbf4	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:45:06.249468+00:00
7114fd5d-a56f-43de-b666-1ae2b2bff88c	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:45:06.117409+00:00
3b2d7824-520d-46c2-b9ea-a0c18794a5be	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:45:05.983763+00:00
337f5f33-392c-42b1-8713-d0f5c2087ab5	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:45:05.877091+00:00
65b38a20-43d7-4de3-97ca-2a2658e8f623	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:45:05.766612+00:00
50269678-2c5a-4491-856c-662aaac14ada	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:45:05.659059+00:00
81bd7079-5db1-4427-829a-597b4fe3f865	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:45:05.549796+00:00
1aaabaec-22fb-4730-9d0f-0bfbf289cbbb	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:45:05.438264+00:00
96bfa335-2060-43ef-9a3d-8677bcf863df	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:45:05.322266+00:00
b13f5bfe-12c1-4075-8581-313783fcedb4	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:45:05.205322+00:00

Cost Frontier

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