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: 909f9e81-69ab-482d-8fb9-76e5a7754eb4 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-09T14:36:48.443136+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
909f9e81-69ab-482d-8fb9-76e5a7754eb4	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T14:36:48.443136+00:00
51d07388-cf4a-4b6a-8227-1ccf1b8d4194	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T14:36:48.315028+00:00
9ae1b790-3c46-4150-bf92-74e5fc95e8c1	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T14:36:48.205729+00:00
c6472211-56f1-41e2-96e8-c570277ed0bb	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T14:36:48.053095+00:00
f7c9c431-ae6d-48e3-bc47-693b94a3a5ec	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T14:36:47.877481+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1942	######################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1942

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
909f9e81-69ab-482d-8fb9-76e5a7754eb4	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:36:48.443136+00:00
51d07388-cf4a-4b6a-8227-1ccf1b8d4194	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:36:48.315028+00:00
9ae1b790-3c46-4150-bf92-74e5fc95e8c1	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:36:48.205729+00:00
c6472211-56f1-41e2-96e8-c570277ed0bb	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:36:48.053095+00:00
f7c9c431-ae6d-48e3-bc47-693b94a3a5ec	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:36:47.877481+00:00
0339bc02-20ff-4615-945e-bcfb5fad05ae	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:36:47.480311+00:00
baea9d75-317c-4721-9918-9b6da4fa0b1d	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:36:46.944553+00:00
db55e098-9557-48cb-9e68-c2b5b7e75cbd	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:36:46.301535+00:00
933c91d1-af99-426b-b58d-ef942e80c8d3	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:36:45.601072+00:00
eaf402ca-e004-4027-a3ce-578c66eefd79	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:36:45.039154+00:00

Cost Frontier

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