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: 526bfe0c-9bda-46a5-aec8-aab1e7e907ad | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-08T22:26:04.718057+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
526bfe0c-9bda-46a5-aec8-aab1e7e907ad	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T22:26:04.718057+00:00
ed8a3714-1eac-4a96-8af4-98d74673c6f4	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T22:26:04.591391+00:00
f7fe66c1-0629-4786-8c03-92fc470431a5	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T22:26:04.457710+00:00
f1e6c818-5384-48b5-a44c-4d73801bd73b	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T22:26:04.369719+00:00
18eba198-9a69-49fb-becf-6e8847ff99c9	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T22:26:04.223391+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1410	##################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1410

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
526bfe0c-9bda-46a5-aec8-aab1e7e907ad	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:26:04.718057+00:00
ed8a3714-1eac-4a96-8af4-98d74673c6f4	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:26:04.591391+00:00
f7fe66c1-0629-4786-8c03-92fc470431a5	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:26:04.457710+00:00
f1e6c818-5384-48b5-a44c-4d73801bd73b	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:26:04.369719+00:00
18eba198-9a69-49fb-becf-6e8847ff99c9	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:26:04.223391+00:00
e49fd7fb-dcc6-49c1-b32d-cfc3761a6b5a	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:26:04.102666+00:00
2410f4c8-911c-4852-83f9-36cf9a4253a6	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:26:03.957520+00:00
0ce606c7-bc74-4a5d-8b5f-95d30cfef68e	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:26:03.841751+00:00
63be30a0-a916-4526-8e90-1f2a7336715e	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:26:03.746126+00:00
79573f35-e6db-4988-aab2-94ddda339245	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:26:03.660650+00:00

Cost Frontier

pass_rate vs cost_usd (Pareto frontier marked with *)
* [####################] 100.0% @ $0.0045  (coder)