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: 6393d844-89c9-4b0e-9d1c-9ec7c61d1756 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-09T14:20:51.588771+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
6393d844-89c9-4b0e-9d1c-9ec7c61d1756	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T14:20:51.588771+00:00
1bafdaa3-baaf-4c17-9481-88a32e5ead16	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T14:20:51.509908+00:00
4239a01d-6f24-46a4-9d94-c54d312ac080	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T14:20:51.412288+00:00
8f23d55f-57de-40f7-8239-63a315902927	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T14:20:51.318478+00:00
71cd5708-7f47-42c7-9299-446c90dd835e	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T14:20:51.216035+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1912	########################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1912

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
6393d844-89c9-4b0e-9d1c-9ec7c61d1756	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:20:51.588771+00:00
1bafdaa3-baaf-4c17-9481-88a32e5ead16	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:20:51.509908+00:00
4239a01d-6f24-46a4-9d94-c54d312ac080	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:20:51.412288+00:00
8f23d55f-57de-40f7-8239-63a315902927	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:20:51.318478+00:00
71cd5708-7f47-42c7-9299-446c90dd835e	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:20:51.216035+00:00
dd835c5a-b4b0-4bab-9267-cc21c621cc9f	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:20:51.123284+00:00
639905c0-b48d-43dd-ba96-868798741f98	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:20:50.981336+00:00
68e9bfda-5302-43fe-b85f-c940fe6a1aeb	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:20:50.827841+00:00
7b6be4da-978c-4ffe-b820-5b09a158fd64	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:20:50.704279+00:00
bbd1d2ca-c2a5-4899-a2b6-ec8f16335638	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:20:50.603439+00:00

Cost Frontier

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