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: 0e0dfd3f-179d-41af-8a2e-18ee05321a46 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-09T12:01:33.779084+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
0e0dfd3f-179d-41af-8a2e-18ee05321a46	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T12:01:33.779084+00:00
69fce6bf-7240-492f-b01f-389ead886bf7	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T12:01:33.688678+00:00
69bd28a9-ab42-4b5c-924b-f15510a1d697	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T12:01:33.633514+00:00
38cf617a-260e-4b4f-8bb9-82e3e863ecd4	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T12:01:33.570445+00:00
4516e9dd-a42d-462a-a893-560b041074eb	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T12:01:33.510103+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1833	#########################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1833

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
0e0dfd3f-179d-41af-8a2e-18ee05321a46	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T12:01:33.779084+00:00
69fce6bf-7240-492f-b01f-389ead886bf7	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T12:01:33.688678+00:00
69bd28a9-ab42-4b5c-924b-f15510a1d697	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T12:01:33.633514+00:00
38cf617a-260e-4b4f-8bb9-82e3e863ecd4	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T12:01:33.570445+00:00
4516e9dd-a42d-462a-a893-560b041074eb	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T12:01:33.510103+00:00
447173c5-58e0-42bb-a0b9-2b989af5a570	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T12:01:33.458139+00:00
b01289fb-5168-44f8-bee8-cb129b15b2c9	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T12:01:33.408408+00:00
e40761f1-d5fa-45e9-8d69-e70128b3222e	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T12:01:33.347783+00:00
4c4694de-8c21-4054-acd4-2d751d432e69	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T12:01:33.275371+00:00
008fb107-7ee1-476e-99e9-fa3d21ef4432	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T12:01:33.224469+00:00

Cost Frontier

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