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: 7d3d8fce-ca79-4eae-87e5-9ceab7bfe823 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-09T00:28:15.176944+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
7d3d8fce-ca79-4eae-87e5-9ceab7bfe823	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T00:28:15.176944+00:00
f3fff114-e027-4fec-a1df-33a58dba998b	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T00:28:15.135933+00:00
8c43b42a-20fc-4679-a122-d78729a62c8c	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T00:28:15.098098+00:00
9bdf60ab-c89c-4cc2-a633-71dd9fbce8a9	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T00:28:14.953876+00:00
5c22329f-d418-4b99-841e-291ffbc2c956	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T00:28:14.896601+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1489	#################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1489

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
7d3d8fce-ca79-4eae-87e5-9ceab7bfe823	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T00:28:15.176944+00:00
f3fff114-e027-4fec-a1df-33a58dba998b	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T00:28:15.135933+00:00
8c43b42a-20fc-4679-a122-d78729a62c8c	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T00:28:15.098098+00:00
9bdf60ab-c89c-4cc2-a633-71dd9fbce8a9	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T00:28:14.953876+00:00
5c22329f-d418-4b99-841e-291ffbc2c956	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T00:28:14.896601+00:00
7f4790c7-77a5-446c-ab81-66428a050f49	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T00:28:14.839799+00:00
8461f0fb-9a8c-4eba-9e51-6fc654891f5c	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T00:28:14.800096+00:00
730a3ddb-13fe-4a4e-ad97-f80a28a5c56f	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T00:28:14.766705+00:00
8871ce00-1bf2-4e94-a37d-11e68527dc2f	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T00:28:14.704734+00:00
e149ae55-0ee4-4b74-8e5d-fa66f372853b	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T00:28:14.633289+00:00

Cost Frontier

pass_rate vs cost_usd (Pareto frontier marked with *)
* [####################] 100.0% @ $0.0044  (coder)