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: 94ba0489-7a78-4a8b-94ac-08c9286eee5f | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-08T21:29:37.280998+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
94ba0489-7a78-4a8b-94ac-08c9286eee5f	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T21:29:37.280998+00:00
ed854e61-d5db-49e3-bdf0-3acda706886b	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T21:29:37.188022+00:00
c92d1d7b-2374-4f4f-ba5b-a09df8f1f185	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T21:29:37.094176+00:00
1b0ffd48-c099-4b90-9aa9-5f88688c7cc3	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T21:29:37.004674+00:00
82805352-b57f-48b1-8af4-595c4b5fee9b	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T21:29:36.920023+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1301	#####################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1301

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
94ba0489-7a78-4a8b-94ac-08c9286eee5f	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T21:29:37.280998+00:00
ed854e61-d5db-49e3-bdf0-3acda706886b	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T21:29:37.188022+00:00
c92d1d7b-2374-4f4f-ba5b-a09df8f1f185	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T21:29:37.094176+00:00
1b0ffd48-c099-4b90-9aa9-5f88688c7cc3	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T21:29:37.004674+00:00
82805352-b57f-48b1-8af4-595c4b5fee9b	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T21:29:36.920023+00:00
fc02e8c8-d170-4b5e-82e7-0afb8867cc63	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T21:29:36.842053+00:00
5da48533-7668-4a0c-9f2a-d12f1a29c2ba	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T21:29:36.770725+00:00
f90bc2ef-fd64-49dc-8715-9732586613ec	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T21:29:36.697537+00:00
69ae9c88-c304-4e28-9542-43d9c4e1d42f	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T21:29:36.604961+00:00
095fddb9-e034-48d2-9522-a20b0900b636	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T21:29:36.523697+00:00

Cost Frontier

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