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: fde98c56-893a-4f77-875d-0038a1dd4aa6 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-08T22:15:32.022532+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
fde98c56-893a-4f77-875d-0038a1dd4aa6	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T22:15:32.022532+00:00
76305a91-7e5a-4a9d-abe1-e33e8c638604	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T22:15:31.949018+00:00
8317806c-8ec9-446a-93e0-fe6da60c7aaf	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T22:15:31.855809+00:00
fccc29b1-401b-46d6-ad83-18b4477ba163	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T22:15:31.788449+00:00
c3574159-abc0-4bda-abfb-ce4bd903e5c1	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T22:15:31.717064+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1331	###################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1331

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
fde98c56-893a-4f77-875d-0038a1dd4aa6	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:32.022532+00:00
76305a91-7e5a-4a9d-abe1-e33e8c638604	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:31.949018+00:00
8317806c-8ec9-446a-93e0-fe6da60c7aaf	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:31.855809+00:00
fccc29b1-401b-46d6-ad83-18b4477ba163	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:31.788449+00:00
c3574159-abc0-4bda-abfb-ce4bd903e5c1	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:31.717064+00:00
5911c0fa-200f-4628-854f-aaacb3013081	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:31.651056+00:00
3366a84d-6a5a-45ac-80b3-cf5ee3b442c3	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:31.564059+00:00
10f15956-7992-4105-a1a7-39b3b6748696	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:31.379390+00:00
9edde691-35fc-41fb-854a-61ebddbe3b85	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:31.263481+00:00
c2b5b6cc-c0ba-450a-91d9-1802e96dc804	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:31.168868+00:00

Cost Frontier

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