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: 3a72b760-cf90-45d8-8a20-553142033409 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-07T23:44:54.163641+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
3a72b760-cf90-45d8-8a20-553142033409	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:44:54.163641+00:00
72bcb51e-fea2-48c9-be5d-388052127908	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:44:54.055592+00:00
0b8c8716-6759-458b-ad89-92075f2d7ef3	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:44:53.943894+00:00
31425962-7158-494b-b6ed-c0b1ec4f2db7	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:44:53.836664+00:00
7a9581c6-6de4-4346-9364-546c1a40a5fb	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-07T23:44:53.724766+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1190	######################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1190

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
3a72b760-cf90-45d8-8a20-553142033409	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:44:54.163641+00:00
72bcb51e-fea2-48c9-be5d-388052127908	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:44:54.055592+00:00
0b8c8716-6759-458b-ad89-92075f2d7ef3	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:44:53.943894+00:00
31425962-7158-494b-b6ed-c0b1ec4f2db7	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:44:53.836664+00:00
7a9581c6-6de4-4346-9364-546c1a40a5fb	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:44:53.724766+00:00
d0d3ca6b-6ce1-4d2b-a957-a91d22166137	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:44:53.617867+00:00
5697e27a-0555-4044-bd55-ee4ac7ce83d4	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:44:53.507377+00:00
744677b1-c1c8-4ed2-8685-eb589567536e	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:44:53.394314+00:00
f34267a6-2ed6-4714-b4c0-177d79c24c59	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:44:53.268428+00:00
a4112e13-3531-42be-97c8-7567365dd48c	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-07T23:44:53.139149+00:00

Cost Frontier

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