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: afcdfa76-d23c-4d92-aea8-f0286d7b1281 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-09T14:21:03.978802+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
afcdfa76-d23c-4d92-aea8-f0286d7b1281	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T14:21:03.978802+00:00
1b45a113-7a58-4d1e-ac54-03cf750876e0	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T14:21:03.895633+00:00
ed9236a9-9f92-48c4-9132-709d44c5f585	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T14:21:03.728178+00:00
380cc3c5-c88a-4be9-a390-799b028f1d2e	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T14:21:03.149680+00:00
971622ed-463d-478b-8192-82cb26ecc8c8	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T14:21:02.876695+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1927	#######################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1927

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
afcdfa76-d23c-4d92-aea8-f0286d7b1281	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:21:03.978802+00:00
1b45a113-7a58-4d1e-ac54-03cf750876e0	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:21:03.895633+00:00
ed9236a9-9f92-48c4-9132-709d44c5f585	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:21:03.728178+00:00
380cc3c5-c88a-4be9-a390-799b028f1d2e	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:21:03.149680+00:00
971622ed-463d-478b-8192-82cb26ecc8c8	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:21:02.876695+00:00
566f64df-ddd5-4118-ac20-9d2ced3f8d16	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:21:02.794013+00:00
f1ee9ee8-3929-4b58-8561-8920ebdbf9b8	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:21:02.706988+00:00
6afb2f5c-106c-4f4b-9b3b-fd497f3edfda	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:21:02.335469+00:00
85addd37-bc64-4f7e-8186-bd832385eb43	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:21:02.169154+00:00
a01ea476-2e58-4765-a4e0-ca99a11eabd5	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:21:02.018890+00:00

Cost Frontier

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