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: 54743830-9e30-4cca-9f36-0820ebc034a7 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-09T02:19:03.394661+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
54743830-9e30-4cca-9f36-0820ebc034a7	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T02:19:03.394661+00:00
31570a90-95c5-4cb2-b701-ea153edc75ac	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T02:19:03.293298+00:00
8acf1eaa-ffc5-4e13-b2e2-d20b43a65fb7	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T02:19:03.208927+00:00
4f255f9f-3a7e-4187-955c-d49e6b581fde	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T02:19:03.103823+00:00
86c0ff31-db63-4c39-9d3b-dd7a49ba43eb	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T02:19:03.025988+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1598	##############################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1598

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
54743830-9e30-4cca-9f36-0820ebc034a7	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:19:03.394661+00:00
31570a90-95c5-4cb2-b701-ea153edc75ac	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:19:03.293298+00:00
8acf1eaa-ffc5-4e13-b2e2-d20b43a65fb7	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:19:03.208927+00:00
4f255f9f-3a7e-4187-955c-d49e6b581fde	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:19:03.103823+00:00
86c0ff31-db63-4c39-9d3b-dd7a49ba43eb	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:19:03.025988+00:00
c0f2d9aa-fd42-4a35-9ea0-1cb83343d665	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:19:02.949590+00:00
e98ab4cc-32ff-4332-8c56-ffd7dd37513d	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:19:02.832551+00:00
d0674246-548e-4347-b14b-08db7a7d4c4f	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:19:02.742265+00:00
7a26f80b-827b-4dad-856c-6ca99f2684ea	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:19:02.648575+00:00
a59d92c5-6db2-46b4-a5df-22586935cd1a	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:19:02.573029+00:00

Cost Frontier

pass_rate vs cost_usd (Pareto frontier marked with *)
* [####################] 100.0% @ $0.0043  (coder)