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: 9183cfdb-2a3a-47c0-b19c-6af226279970 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-09T01:15:16.183558+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
9183cfdb-2a3a-47c0-b19c-6af226279970	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T01:15:16.183558+00:00
ebac00a2-38a6-4653-b58b-289c4d360a9d	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T01:15:16.072274+00:00
7f17f385-8df9-4f1f-90e2-f717f2c1d8bc	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T01:15:15.964848+00:00
a9848f20-5767-45d5-bb61-c82cd349f594	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T01:15:15.848222+00:00
0ec0b819-a7d0-489d-8032-3e70d3e124c3	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T01:15:15.688211+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1551	###############################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1551

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
9183cfdb-2a3a-47c0-b19c-6af226279970	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T01:15:16.183558+00:00
ebac00a2-38a6-4653-b58b-289c4d360a9d	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T01:15:16.072274+00:00
7f17f385-8df9-4f1f-90e2-f717f2c1d8bc	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T01:15:15.964848+00:00
a9848f20-5767-45d5-bb61-c82cd349f594	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T01:15:15.848222+00:00
0ec0b819-a7d0-489d-8032-3e70d3e124c3	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T01:15:15.688211+00:00
2082ed01-a010-49af-a200-885030082a69	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T01:15:15.590131+00:00
006365ec-b68d-4c3b-99af-d7fbd838f986	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T01:15:15.475115+00:00
4b3dcae2-8ba7-43af-9eb7-e00aa4bdcf2b	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T01:15:15.312583+00:00
447bb5c8-fa3d-4044-8814-a94b7dbe3e39	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T01:15:15.214418+00:00
638f8332-7ba3-446d-acbb-7b8f5b2d7fc1	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T01:15:14.997720+00:00

Cost Frontier

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