Eval Report: ci-pr-smoke

Profile: gdm-swebench-lite-v1 | Tasks: 2 | Pass rate: 100.0% | Cost: $0.0020

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

Leaderboard Snapshot

Latest run: b92cc34d-d092-449e-8de6-15bf9681f14b | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-08T23:11:50.221568+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
b92cc34d-d092-449e-8de6-15bf9681f14b	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T23:11:50.221568+00:00
ac90963b-16fd-4238-b30e-7301e5f0946c	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T23:11:50.125312+00:00
b0a963d4-2799-4f3c-a93d-0f526fe45c3f	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T23:11:49.633659+00:00
53c96f1f-9e2b-4cc6-acc7-142c550eea22	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T23:11:49.537879+00:00
34502961-87ac-4cf6-b590-4b15d9fafeca	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T23:11:49.409077+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1427	###################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1427

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
b92cc34d-d092-449e-8de6-15bf9681f14b	typescript-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T23:11:50.221568+00:00
ac90963b-16fd-4238-b30e-7301e5f0946c	python-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T23:11:50.125312+00:00
b0a963d4-2799-4f3c-a93d-0f526fe45c3f	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T23:11:49.633659+00:00
53c96f1f-9e2b-4cc6-acc7-142c550eea22	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T23:11:49.537879+00:00
34502961-87ac-4cf6-b590-4b15d9fafeca	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T23:11:49.409077+00:00
c1a06d32-7540-400b-a563-fe68d6c5d11a	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T23:11:49.187524+00:00
5c00133a-a183-45b6-a677-b0ebf064e6ca	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T23:11:49.030115+00:00
0bf69031-324d-4d01-966f-fc0b6ae51780	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T23:11:48.794819+00:00
d070e1c6-086d-46e3-8a09-62db826dd636	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T23:11:48.680421+00:00
32b5a416-20de-473d-bb6a-f1bcc49ccbb2	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T23:11:48.493402+00:00

Cost Frontier

pass_rate vs cost_usd (Pareto frontier marked with *)
* [####################] 100.0% @ $0.0044  (coder)