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: 0bbef552-aa38-42c7-8c64-870a46e4c042 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-09T01:15:07.603909+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
0bbef552-aa38-42c7-8c64-870a46e4c042	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T01:15:07.603909+00:00
2f21aa99-24d3-4fcc-a6f3-42bcd029a883	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T01:15:07.496155+00:00
3cc8df57-2a8e-4582-92b1-4407dfe5d568	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T01:15:07.380462+00:00
8d7065f7-79d2-4c5b-b511-5900ad283148	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T01:15:07.265646+00:00
2e121abd-749c-4f4e-b50f-9e3912307fd3	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T01:15:07.164342+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1536	################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1536

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
0bbef552-aa38-42c7-8c64-870a46e4c042	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T01:15:07.603909+00:00
2f21aa99-24d3-4fcc-a6f3-42bcd029a883	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T01:15:07.496155+00:00
3cc8df57-2a8e-4582-92b1-4407dfe5d568	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T01:15:07.380462+00:00
8d7065f7-79d2-4c5b-b511-5900ad283148	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T01:15:07.265646+00:00
2e121abd-749c-4f4e-b50f-9e3912307fd3	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T01:15:07.164342+00:00
a00fb440-2ba6-41f3-b13a-f44badb1894a	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T01:15:07.030116+00:00
8405de17-1504-45da-affd-991cecafb812	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T01:15:06.935974+00:00
a3a52544-318f-4df5-8abc-dfaf1272153b	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T01:15:06.849368+00:00
efe08fc2-72fa-421d-97f0-4d4ff46c09af	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T01:15:06.760052+00:00
871943ff-54b5-4906-ac84-d0edbb1e272c	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T01:15:06.648188+00:00

Cost Frontier

pass_rate vs cost_usd (Pareto frontier marked with *)
* [####################] 100.0% @ $0.0044  (coder)