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: a3cb7e22-0905-4cab-908c-c801b870b628 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-07T22:53:21.193742+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
a3cb7e22-0905-4cab-908c-c801b870b628	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T22:53:21.193742+00:00
f195969f-07f2-4033-a469-c6fe738dbe43	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T22:53:21.094278+00:00
403d43c6-db74-4533-b7a1-ac7d28c719c0	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T22:53:21.017838+00:00
d942b278-f16b-4bd3-99bb-cffb00c57304	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T22:53:20.880559+00:00
589c040c-54de-49f9-82fe-cb30b777ce74	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T22:53:20.783703+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1049	#########################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1049

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
a3cb7e22-0905-4cab-908c-c801b870b628	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:21.193742+00:00
f195969f-07f2-4033-a469-c6fe738dbe43	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:21.094278+00:00
403d43c6-db74-4533-b7a1-ac7d28c719c0	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:21.017838+00:00
d942b278-f16b-4bd3-99bb-cffb00c57304	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:20.880559+00:00
589c040c-54de-49f9-82fe-cb30b777ce74	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:20.783703+00:00
926619f5-fb49-4c93-b5fe-a4216407e9dd	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:20.704408+00:00
1b686fc3-6032-4a09-b143-83eba549a1c3	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:20.623752+00:00
2abe9345-9fda-47fc-b2bf-8b8fbc27eedf	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:20.544848+00:00
fbb8acea-02c4-4beb-b850-0ebe4c3b4f91	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:20.466620+00:00
e8e8fdf6-c495-4e9b-acbd-9425049d8453	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T22:53:20.384364+00:00

Cost Frontier

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