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: 18647985-e174-401a-920c-24bfdab344a7 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-08T21:29:45.404984+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
18647985-e174-401a-920c-24bfdab344a7	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T21:29:45.404984+00:00
77324f66-be57-42c3-85b1-77699539eb16	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T21:29:45.351266+00:00
4d93e597-8e89-4a27-a280-9f386c02ec3a	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T21:29:45.281385+00:00
ce55828d-84e7-4b8a-aab8-7013cbf26ca9	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T21:29:45.199751+00:00
b31f6fa1-d79e-453f-8f7b-3c37d19814da	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T21:29:45.143145+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1316	####################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1316

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
18647985-e174-401a-920c-24bfdab344a7	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T21:29:45.404984+00:00
77324f66-be57-42c3-85b1-77699539eb16	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T21:29:45.351266+00:00
4d93e597-8e89-4a27-a280-9f386c02ec3a	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T21:29:45.281385+00:00
ce55828d-84e7-4b8a-aab8-7013cbf26ca9	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T21:29:45.199751+00:00
b31f6fa1-d79e-453f-8f7b-3c37d19814da	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T21:29:45.143145+00:00
9d70b8bf-1585-4e51-8fad-7f0744f06d43	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T21:29:45.073601+00:00
5aed0121-73e1-4895-bd83-9b3dfa13b80d	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T21:29:44.971093+00:00
4da9ef24-2332-41fd-bc6c-6595804925c1	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T21:29:44.879371+00:00
964ef1a6-5a1b-4aba-af43-0e864e1b1f93	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T21:29:44.781365+00:00
9e1a78e3-71dd-46c0-a400-636937692c58	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T21:29:44.684818+00:00

Cost Frontier

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