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: 5ced53bd-9a25-4a19-90cc-436f0f6830b4 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-09T13:26:50.859276+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
5ced53bd-9a25-4a19-90cc-436f0f6830b4	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T13:26:50.859276+00:00
c7c707cd-bb38-43cc-a130-b979fb604f1b	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T13:26:50.780181+00:00
9dc99208-ab00-4c04-8e5a-a7be5703f7a3	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T13:26:50.698863+00:00
37535b81-0272-4d98-8769-5f818130a59f	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T13:26:50.617337+00:00
1ebe0217-baa7-4550-a388-0df97ac5fb45	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T13:26:50.564174+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1865	#########################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1865

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
5ced53bd-9a25-4a19-90cc-436f0f6830b4	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T13:26:50.859276+00:00
c7c707cd-bb38-43cc-a130-b979fb604f1b	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T13:26:50.780181+00:00
9dc99208-ab00-4c04-8e5a-a7be5703f7a3	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T13:26:50.698863+00:00
37535b81-0272-4d98-8769-5f818130a59f	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T13:26:50.617337+00:00
1ebe0217-baa7-4550-a388-0df97ac5fb45	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T13:26:50.564174+00:00
0fa520ee-b787-48b5-9b8e-58c4d707fd46	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T13:26:50.507613+00:00
7a044f9b-92a4-4e1c-a7b5-f32e2ef1c69f	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T13:26:50.441181+00:00
db638172-0642-4936-8d73-72b98fd8ef1e	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T13:26:50.390036+00:00
b669e991-4b93-4361-bb26-4391b774b7b8	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T13:26:50.324733+00:00
12eb14da-366a-4de8-a40e-e60ee402ba0d	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T13:26:50.267053+00:00

Cost Frontier

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