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: d59dc6a4-b907-4a96-b1b8-a7e9a70b9897 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-07T23:30:03.963766+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
d59dc6a4-b907-4a96-b1b8-a7e9a70b9897	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:30:03.963766+00:00
a183bb57-1c80-419e-8695-a48461580bde	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:30:03.873048+00:00
e811389a-df40-4cd8-885f-4f33d682a6ec	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:30:03.779626+00:00
c682aaad-b049-4c95-8d5b-00a1d7e39b70	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:30:03.683545+00:00
fc139d5d-bf96-48af-950f-1dc8991261b3	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:30:03.580229+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1143	#######################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1143

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
d59dc6a4-b907-4a96-b1b8-a7e9a70b9897	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:30:03.963766+00:00
a183bb57-1c80-419e-8695-a48461580bde	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:30:03.873048+00:00
e811389a-df40-4cd8-885f-4f33d682a6ec	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:30:03.779626+00:00
c682aaad-b049-4c95-8d5b-00a1d7e39b70	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:30:03.683545+00:00
fc139d5d-bf96-48af-950f-1dc8991261b3	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:30:03.580229+00:00
2ef5566b-1db9-4d95-9bd2-7bc8b2a5971f	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:30:03.494638+00:00
b9c8f75d-2bd0-443d-aee4-f19cf710289b	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:30:03.407249+00:00
5a345a0b-9b3d-453e-8973-ff09963369e7	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:30:03.322140+00:00
92eec57e-52c7-496e-86c8-561c299344d9	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:30:03.236514+00:00
422a9d85-564b-4f98-b473-ce01b09c2530	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:30:03.129601+00:00

Cost Frontier

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