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: 7ada24cd-3a04-4d77-a035-34a62a07e386 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-08T23:11:52.637853+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
7ada24cd-3a04-4d77-a035-34a62a07e386	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T23:11:52.637853+00:00
647db8bf-d764-415e-9c00-5173a6b48012	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T23:11:52.567412+00:00
115838e0-f7ca-4fc3-b4fa-bcaf9a5826a1	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T23:11:52.473867+00:00
7ec81b33-e0d1-4ade-b665-c94fd6ec2834	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T23:11:52.396231+00:00
f09b7fc4-23e8-4189-8f3f-f9b53504fa1e	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T23:11:52.298817+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1442	##################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1442

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
7ada24cd-3a04-4d77-a035-34a62a07e386	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T23:11:52.637853+00:00
647db8bf-d764-415e-9c00-5173a6b48012	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T23:11:52.567412+00:00
115838e0-f7ca-4fc3-b4fa-bcaf9a5826a1	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T23:11:52.473867+00:00
7ec81b33-e0d1-4ade-b665-c94fd6ec2834	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T23:11:52.396231+00:00
f09b7fc4-23e8-4189-8f3f-f9b53504fa1e	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T23:11:52.298817+00:00
099ff527-900f-4bfb-a126-064550a50dfb	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T23:11:52.195424+00:00
9ff8764f-9cc5-436d-9a7d-6df8fbad157c	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T23:11:52.093306+00:00
62d6dd39-0d2d-4d50-b6db-260e4da3be64	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T23:11:51.998566+00:00
aeb13688-6137-4835-bed7-7ddae0b14c52	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T23:11:51.916356+00:00
a1037c76-2349-4df8-80e6-a547bffcc23d	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T23:11:51.828752+00:00

Cost Frontier

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