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: 72fc22e0-029e-49af-ad0b-97d0c079e061 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-07T23:10:19.205835+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
72fc22e0-029e-49af-ad0b-97d0c079e061	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:10:19.205835+00:00
befb5ca0-1e86-4870-8cd6-6282f59328a5	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:10:19.095003+00:00
431a4f33-172e-4c9b-b5e2-ce7ae09c17d6	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:10:18.987475+00:00
66f1a399-3d9d-4fe7-bbf8-07d4d2dd81d8	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:10:18.878560+00:00
dbcf18cf-69fd-49aa-9395-072dbe71282b	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:10:18.767695+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1128	########################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1128

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
72fc22e0-029e-49af-ad0b-97d0c079e061	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:19.205835+00:00
befb5ca0-1e86-4870-8cd6-6282f59328a5	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:19.095003+00:00
431a4f33-172e-4c9b-b5e2-ce7ae09c17d6	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:18.987475+00:00
66f1a399-3d9d-4fe7-bbf8-07d4d2dd81d8	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:18.878560+00:00
dbcf18cf-69fd-49aa-9395-072dbe71282b	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:18.767695+00:00
4bfab173-f07e-4d8a-96b6-68cc46aaad49	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:18.657022+00:00
99c4d1f6-a93b-4a01-8537-fa2ac9f94c34	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:18.550155+00:00
2c74af14-a0e9-4f6b-98cf-4fa11d9d773e	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:18.440672+00:00
41953166-d82a-4a05-acb8-27e431c539d2	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:18.318602+00:00
5e40b8bf-cdd2-4c79-b834-a05696653543	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:10:18.204625+00:00

Cost Frontier

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