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: 6e9d5e28-c6f8-4b80-b97d-a6192c96d53c | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-09T18:32:46.295706+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
6e9d5e28-c6f8-4b80-b97d-a6192c96d53c	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T18:32:46.295706+00:00
5be5f6e5-9744-4a56-9bd7-c729c04f3b52	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T18:32:46.246267+00:00
caf8c736-5c2f-4b13-b866-d66b9614edbd	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T18:32:46.207002+00:00
66c2869b-439c-4dd4-9589-034d21a90250	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T18:32:46.172206+00:00
633501a3-7e3f-4afa-a26e-651b023fc236	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T18:32:46.141812+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	2021	#####################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

2021

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
6e9d5e28-c6f8-4b80-b97d-a6192c96d53c	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T18:32:46.295706+00:00
5be5f6e5-9744-4a56-9bd7-c729c04f3b52	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T18:32:46.246267+00:00
caf8c736-5c2f-4b13-b866-d66b9614edbd	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T18:32:46.207002+00:00
66c2869b-439c-4dd4-9589-034d21a90250	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T18:32:46.172206+00:00
633501a3-7e3f-4afa-a26e-651b023fc236	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T18:32:46.141812+00:00
f5b4da76-0e3e-4c7d-a542-66c5119d6603	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T18:32:46.090695+00:00
e743183c-4453-40bb-8900-b4f87d461a66	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T18:32:46.050709+00:00
ff1862b5-ce5d-4a28-a6a5-4d3fd0aa2190	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T18:32:46.014244+00:00
dcc0b6c5-8163-4957-a8f6-52e554800dd6	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T18:32:45.971253+00:00
c5994abc-cf88-4687-a20a-8d6444bcfe01	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T18:32:45.951361+00:00

Cost Frontier

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