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: 61b69672-55dc-43ca-b80b-1f627a92b5bd | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-09T13:26:46.474834+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
61b69672-55dc-43ca-b80b-1f627a92b5bd	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T13:26:46.474834+00:00
5b656575-e273-4344-9430-bf6dde0d8f5b	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T13:26:46.362839+00:00
da5d009c-33b4-4eb1-abed-6a5c34589995	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T13:26:46.232212+00:00
6e8df05e-3400-482c-87fb-b0742495db0a	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T13:26:46.116959+00:00
4dd71279-b841-45c6-91e2-eed15b140757	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T13:26:45.994969+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1848	########################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1848

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
61b69672-55dc-43ca-b80b-1f627a92b5bd	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T13:26:46.474834+00:00
5b656575-e273-4344-9430-bf6dde0d8f5b	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T13:26:46.362839+00:00
da5d009c-33b4-4eb1-abed-6a5c34589995	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T13:26:46.232212+00:00
6e8df05e-3400-482c-87fb-b0742495db0a	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T13:26:46.116959+00:00
4dd71279-b841-45c6-91e2-eed15b140757	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T13:26:45.994969+00:00
78eb950a-bcb5-4c2e-a070-473143ede7aa	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T13:26:45.885653+00:00
5d264f40-023a-4aeb-9f02-a408b48c9784	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T13:26:45.787220+00:00
a898f009-12ce-444d-8bf9-e14f4c1891c2	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T13:26:45.662471+00:00
eca4cda1-c696-4e5a-909c-5b5975576c03	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T13:26:45.562934+00:00
70e891b3-d4ca-4119-b7a2-cefc3c1eae42	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T13:26:45.460709+00:00

Cost Frontier

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