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: 0f9c2020-9faa-4f34-92ad-e7e769e27684 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-09T02:54:37.428572+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
0f9c2020-9faa-4f34-92ad-e7e769e27684	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T02:54:37.428572+00:00
1a9e0bf2-c42c-4a47-937a-13b7b9e12489	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T02:54:37.297097+00:00
bc37f6c2-892e-4e99-bed4-bb48b0243824	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T02:54:37.089164+00:00
b24d3430-f1fb-4f1e-a666-9ad0ff7246bd	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T02:54:36.775398+00:00
7092c55b-4ef9-4f4a-924a-e8e65b31ec2a	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T02:54:36.542905+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1645	#############################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1645

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
0f9c2020-9faa-4f34-92ad-e7e769e27684	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:54:37.428572+00:00
1a9e0bf2-c42c-4a47-937a-13b7b9e12489	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:54:37.297097+00:00
bc37f6c2-892e-4e99-bed4-bb48b0243824	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:54:37.089164+00:00
b24d3430-f1fb-4f1e-a666-9ad0ff7246bd	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:54:36.775398+00:00
7092c55b-4ef9-4f4a-924a-e8e65b31ec2a	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:54:36.542905+00:00
ffecbd32-8b8a-4b87-8f4c-f17b785e2c11	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:54:36.344334+00:00
a35b81d3-1f54-48bf-b06d-3f61f2034839	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:54:36.174731+00:00
77520158-8d82-41fe-8f36-3ee505d05ecf	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:54:35.986611+00:00
31bd5809-f67a-475a-bc1d-dc23c702c9b8	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:54:35.747821+00:00
802c6448-4146-4660-8186-d8b0f6ae8ff3	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:54:35.527288+00:00

Cost Frontier

pass_rate vs cost_usd (Pareto frontier marked with *)
* [####################] 100.0% @ $0.0043  (coder)