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: 8e5563f3-0512-4fc7-896e-2ff112d0d31b | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-08T00:43:47.609209+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
8e5563f3-0512-4fc7-896e-2ff112d0d31b	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T00:43:47.609209+00:00
52d38d1e-721e-41d9-9b8b-4d60e9cbf4c4	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T00:43:47.540966+00:00
3b130bfc-17e8-4c15-8a5b-1348e2afcb9a	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T00:43:47.475525+00:00
424c6b8c-5737-43c8-91cc-e01b1a7f4297	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T00:43:47.404041+00:00
432a31e6-21a4-4803-b26d-e97839d0c47d	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T00:43:47.354306+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1269	#####################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1269

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
8e5563f3-0512-4fc7-896e-2ff112d0d31b	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T00:43:47.609209+00:00
52d38d1e-721e-41d9-9b8b-4d60e9cbf4c4	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T00:43:47.540966+00:00
3b130bfc-17e8-4c15-8a5b-1348e2afcb9a	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T00:43:47.475525+00:00
424c6b8c-5737-43c8-91cc-e01b1a7f4297	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T00:43:47.404041+00:00
432a31e6-21a4-4803-b26d-e97839d0c47d	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T00:43:47.354306+00:00
68d9466d-7bda-4086-a435-f6c93c35e2fb	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T00:43:47.265452+00:00
36ef3faa-8cef-41db-a6d4-14c84d228e8b	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T00:43:47.186683+00:00
dd35ccda-5b30-4062-9024-5b20df52f589	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T00:43:47.134696+00:00
568f7331-5a67-4a49-80de-353b9dce68f2	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T00:43:47.080590+00:00
4613aa03-f39f-4738-99fb-b1889cccb709	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T00:43:47.024868+00:00

Cost Frontier

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