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: 42b1cb82-db19-41e9-9d64-f0a0a4fcaf92 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-08T23:11:59.824426+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
42b1cb82-db19-41e9-9d64-f0a0a4fcaf92	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T23:11:59.824426+00:00
76246874-d5ec-4945-8394-f6d2b83adbb5	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T23:11:59.741563+00:00
dbc028b8-d562-4268-81b2-b617340b0f93	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T23:11:59.649008+00:00
82faf3e9-3232-48f4-9541-f64f52d3b074	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T23:11:59.561286+00:00
c0ce822a-6e15-47ce-9c1e-399db89a97d9	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T23:11:59.448273+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1457	#################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1457

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
42b1cb82-db19-41e9-9d64-f0a0a4fcaf92	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T23:11:59.824426+00:00
76246874-d5ec-4945-8394-f6d2b83adbb5	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T23:11:59.741563+00:00
dbc028b8-d562-4268-81b2-b617340b0f93	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T23:11:59.649008+00:00
82faf3e9-3232-48f4-9541-f64f52d3b074	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T23:11:59.561286+00:00
c0ce822a-6e15-47ce-9c1e-399db89a97d9	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T23:11:59.448273+00:00
68ab8e8a-d506-4796-8ebc-d4c411c559be	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T23:11:59.355197+00:00
de097a52-1c35-4a83-be48-f1729ff72a80	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T23:11:59.236288+00:00
72e79f22-7b96-46d7-aa22-df9c289a3d5f	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T23:11:59.124616+00:00
8d434222-25a6-41fc-8254-7878eaae7024	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T23:11:58.997089+00:00
2edcd8ec-37e4-490a-a3a5-a2dd774c87a8	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T23:11:58.898807+00:00

Cost Frontier

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