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: f8795e21-6669-4779-b4f1-65f98d95cf22 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-08T22:15:43.483647+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
f8795e21-6669-4779-b4f1-65f98d95cf22	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T22:15:43.483647+00:00
e858463a-e083-4f65-8dd0-267b6e966d76	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T22:15:43.334690+00:00
e4ef7444-cb40-4373-b078-441b63dad0a9	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T22:15:43.203539+00:00
5e0b8d29-483f-42f6-9d8e-d974d718327d	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T22:15:43.081556+00:00
3e4d3344-398c-403a-bd0a-84ea7ed8af58	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-08T22:15:42.949429+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1363	###################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1363

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
f8795e21-6669-4779-b4f1-65f98d95cf22	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:43.483647+00:00
e858463a-e083-4f65-8dd0-267b6e966d76	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:43.334690+00:00
e4ef7444-cb40-4373-b078-441b63dad0a9	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:43.203539+00:00
5e0b8d29-483f-42f6-9d8e-d974d718327d	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:43.081556+00:00
3e4d3344-398c-403a-bd0a-84ea7ed8af58	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:42.949429+00:00
d7ad8e97-eed6-4769-9f7b-804d8eef0b92	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:42.793072+00:00
0f3d2346-c133-4b9b-bf50-a279f3f9e0c7	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:42.590902+00:00
b4748b24-3f6c-48eb-a65b-cacf2a55e75e	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:42.450424+00:00
7dbd4217-2da8-4ccf-aa3b-3daee2473152	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:42.313807+00:00
65310763-641b-467d-b0f5-847510eb5dc0	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-08T22:15:42.141660+00:00

Cost Frontier

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