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: e46b3e4e-aa8e-46ba-b433-4f86b5d68a51 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-07T23:10:07.441872+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
e46b3e4e-aa8e-46ba-b433-4f86b5d68a51	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:10:07.441872+00:00
7a4239fb-6a3e-4e5e-a4ec-a6d6ff45ac19	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:10:07.339470+00:00
9cbc2e16-bc0e-4ddb-b364-de061e1eac59	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:10:07.238896+00:00
51cc9e95-0d11-42f5-ba08-c75b73d1d338	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:10:07.128175+00:00
edf0bda1-10db-47cf-b0ec-877ca18287e6	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:10:07.021043+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1096	########################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1096

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
e46b3e4e-aa8e-46ba-b433-4f86b5d68a51	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:07.441872+00:00
7a4239fb-6a3e-4e5e-a4ec-a6d6ff45ac19	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:07.339470+00:00
9cbc2e16-bc0e-4ddb-b364-de061e1eac59	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:07.238896+00:00
51cc9e95-0d11-42f5-ba08-c75b73d1d338	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:07.128175+00:00
edf0bda1-10db-47cf-b0ec-877ca18287e6	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:07.021043+00:00
6d83fd70-2288-48f0-b345-1a951ebeec0e	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:06.909083+00:00
42cf854a-54b0-4a91-977f-446f909636a6	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:06.806018+00:00
93a09463-d73c-4352-b2a4-6be1383e7d25	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:06.703984+00:00
ddc0838b-e9ae-4651-84bf-42d1430a77ab	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:06.596688+00:00
b0c30139-120a-4ad7-b88f-2d637e034945	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:06.495014+00:00

Cost Frontier

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