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: 3363aa5a-5c31-41b6-ad13-c6b68d95c2f0 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-09T18:32:40.225804+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
3363aa5a-5c31-41b6-ad13-c6b68d95c2f0	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T18:32:40.225804+00:00
8445e5f9-3068-4a60-92a7-ec180443d1ab	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T18:32:40.186127+00:00
b7110ef9-7f73-46ed-bffc-880a27a7c2b6	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T18:32:40.137092+00:00
2209989b-58c6-4642-b88d-e6f2e0536ab1	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T18:32:40.118186+00:00
fea9b8f6-7b8a-45a4-adcb-795e382e3e66	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T18:32:40.069462+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1989	#####################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1989

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
3363aa5a-5c31-41b6-ad13-c6b68d95c2f0	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T18:32:40.225804+00:00
8445e5f9-3068-4a60-92a7-ec180443d1ab	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T18:32:40.186127+00:00
b7110ef9-7f73-46ed-bffc-880a27a7c2b6	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T18:32:40.137092+00:00
2209989b-58c6-4642-b88d-e6f2e0536ab1	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T18:32:40.118186+00:00
fea9b8f6-7b8a-45a4-adcb-795e382e3e66	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T18:32:40.069462+00:00
45372ad1-3321-4076-8b87-2710eddfeeff	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T18:32:40.029062+00:00
c6b248f3-4beb-465b-87fa-558ba5f1ba81	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T18:32:39.997669+00:00
844beb52-1744-4ba8-aefd-71e55de1b86c	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T18:32:39.959364+00:00
aadbf8cc-9ace-4439-9c71-bb4c3320f7c7	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T18:32:39.928981+00:00
b7dcd02c-b365-4f6f-b19f-3a706840d9f6	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T18:32:39.894981+00:00

Cost Frontier

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