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: 1b40e768-c9f4-4546-b2b7-cc81aadd0799 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-09T14:37:03.533873+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
1b40e768-c9f4-4546-b2b7-cc81aadd0799	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T14:37:03.533873+00:00
ed76743b-e59d-4adc-a5e1-bf4b19ba1b07	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T14:37:03.370309+00:00
298fa724-8a58-4138-b94b-021edea24ea9	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T14:37:03.149450+00:00
0a147610-d183-41c0-84cc-e850211d01e0	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T14:37:02.937052+00:00
4b7f9e26-c999-43cc-81b0-a7c714b1402c	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T14:37:02.771679+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1974	######################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1974

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
1b40e768-c9f4-4546-b2b7-cc81aadd0799	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:37:03.533873+00:00
ed76743b-e59d-4adc-a5e1-bf4b19ba1b07	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:37:03.370309+00:00
298fa724-8a58-4138-b94b-021edea24ea9	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:37:03.149450+00:00
0a147610-d183-41c0-84cc-e850211d01e0	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:37:02.937052+00:00
4b7f9e26-c999-43cc-81b0-a7c714b1402c	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:37:02.771679+00:00
36e92871-d3bc-42d4-9011-c802d1d7ba01	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:37:02.650626+00:00
001b50db-2c5d-445f-b5cb-8c2d6e71d4d4	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:37:02.515279+00:00
845a27e0-a492-4520-adc5-716379a6b89f	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:37:02.359192+00:00
af873c61-60be-4597-9b52-5c04691f4725	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:37:02.131235+00:00
f4f65859-0b18-459e-9283-85eaa04913b9	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:37:01.853448+00:00

Cost Frontier

pass_rate vs cost_usd (Pareto frontier marked with *)
* [####################] 100.0% @ $0.0041  (coder)