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: 7f51be76-83ed-487e-82de-5bb3056cadb6 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-09T13:26:56.807211+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
7f51be76-83ed-487e-82de-5bb3056cadb6	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T13:26:56.807211+00:00
f0c32ed3-0f53-4aed-b564-d0f7560542c5	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T13:26:56.723713+00:00
e10f36ea-e5ff-4987-a00e-8b4387618f0a	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T13:26:56.682534+00:00
3fa104c7-f315-4e5e-8743-c0da1c006d23	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T13:26:56.634853+00:00
0ab5d9af-d7ad-4193-bd3a-9a6fd02cb74b	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T13:26:56.500434+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1880	########################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1880

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
7f51be76-83ed-487e-82de-5bb3056cadb6	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T13:26:56.807211+00:00
f0c32ed3-0f53-4aed-b564-d0f7560542c5	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T13:26:56.723713+00:00
e10f36ea-e5ff-4987-a00e-8b4387618f0a	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T13:26:56.682534+00:00
3fa104c7-f315-4e5e-8743-c0da1c006d23	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T13:26:56.634853+00:00
0ab5d9af-d7ad-4193-bd3a-9a6fd02cb74b	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T13:26:56.500434+00:00
e1a37de0-a498-4bd9-8bb0-3570a4ba838d	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T13:26:56.424329+00:00
4861e723-a108-479c-b2cf-a6e8ff02799d	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T13:26:56.329610+00:00
87e2a22a-4857-4acd-bd8d-5494478d4b09	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T13:26:56.267432+00:00
2addf663-4985-4ef0-bf95-094848f3f04b	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T13:26:56.210228+00:00
5ff45f77-a905-40c7-8212-d313166544c2	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T13:26:56.142087+00:00

Cost Frontier

pass_rate vs cost_usd (Pareto frontier marked with *)
* [####################] 100.0% @ $0.0042  (coder)