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: 88983f6c-6d9f-4dc3-9c73-16c98acbc221 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-09T19:41:00.888569+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
88983f6c-6d9f-4dc3-9c73-16c98acbc221	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T19:41:00.888569+00:00
b7560abd-3b44-4388-8ed6-8efaa1d390ce	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T19:41:00.815627+00:00
0e6ab84f-381a-447f-b7cd-320afa1d0ca7	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T19:41:00.735942+00:00
9863839d-142f-459e-841b-57d27c63074c	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T19:41:00.658019+00:00
a6cbbfc1-e95f-4fd7-ad67-f9246ff278d0	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T19:41:00.568937+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	2068	####################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

2068

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
88983f6c-6d9f-4dc3-9c73-16c98acbc221	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T19:41:00.888569+00:00
b7560abd-3b44-4388-8ed6-8efaa1d390ce	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T19:41:00.815627+00:00
0e6ab84f-381a-447f-b7cd-320afa1d0ca7	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T19:41:00.735942+00:00
9863839d-142f-459e-841b-57d27c63074c	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T19:41:00.658019+00:00
a6cbbfc1-e95f-4fd7-ad67-f9246ff278d0	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T19:41:00.568937+00:00
9a455169-e2ff-48ea-a0f2-98ea51e1193b	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T19:41:00.488950+00:00
4f5dd7d5-b555-4bc2-b722-87a9b8bec289	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T19:41:00.419870+00:00
52277255-625c-4195-90a8-94f96dca7bea	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T19:41:00.338622+00:00
bbf96b06-89bc-43dc-8590-fd7d9dfae149	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T19:41:00.250333+00:00
2ab92af5-b6ef-4072-b76b-d07f796d694d	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T19:41:00.166327+00:00

Cost Frontier

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