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: 4afcf5a9-5b15-4ba1-890c-abb033355c68 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-07T23:10:10.512203+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
4afcf5a9-5b15-4ba1-890c-abb033355c68	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:10:10.512203+00:00
26aaf2fa-98b5-4e4d-aea8-6e858f16777a	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:10:10.404839+00:00
b9d2f803-af0d-4a25-bfaa-d89473cd6cc3	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:10:10.295168+00:00
6807cd6e-b926-470f-9d4f-2f48871d23a5	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:10:10.183440+00:00
aa5c7928-d982-4588-ba55-6ef674d752c9	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:10:10.075307+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1113	#########################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1113

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
4afcf5a9-5b15-4ba1-890c-abb033355c68	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:10.512203+00:00
26aaf2fa-98b5-4e4d-aea8-6e858f16777a	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:10.404839+00:00
b9d2f803-af0d-4a25-bfaa-d89473cd6cc3	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:10.295168+00:00
6807cd6e-b926-470f-9d4f-2f48871d23a5	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:10.183440+00:00
aa5c7928-d982-4588-ba55-6ef674d752c9	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:10.075307+00:00
23fe02f5-0dfc-484e-8b50-ab72bfe2f73e	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:09.969115+00:00
7a90178f-d616-4f5f-b3fa-7630e3373dc5	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:09.854904+00:00
02501c6a-a10b-449f-8060-0df28f1e0082	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:09.747892+00:00
04a5c000-3f01-4257-be30-7667391a4116	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:09.637776+00:00
95745dc6-3a96-4c0d-b98e-5587187ab0a7	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:09.529438+00:00

Cost Frontier

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