Eval Report: ci-pr-smoke

Profile: gdm-swebench-lite-v1 | Tasks: 2 | Pass rate: 100.0% | Cost: $0.0020

Task IDBandScorePassedCost
python-security-fix-easy-001easy0.740$0.0010
typescript-security-fix-easy-001easy0.740$0.0010

Leaderboard Snapshot

Latest run: 4ce8b1a7-d516-4548-9e59-4b403541debe | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-09T13:26:49.724387+00:00

Recent Trend

Run IDModelGit SHAScoreCreated
4ce8b1a7-d516-4548-9e59-4b403541debecoder4669773b4fbe9d507f1396f38777a1b36998faf30.7402026-05-09T13:26:49.724387+00:00
f416be3c-c1de-46a8-8786-dfd4e9d79daacoder4669773b4fbe9d507f1396f38777a1b36998faf30.7402026-05-09T13:26:49.652118+00:00
61b69672-55dc-43ca-b80b-1f627a92b5bdcoder4669773b4fbe9d507f1396f38777a1b36998faf30.7402026-05-09T13:26:46.474834+00:00
5b656575-e273-4344-9430-bf6dde0d8f5bcoder4669773b4fbe9d507f1396f38777a1b36998faf30.7402026-05-09T13:26:46.362839+00:00
da5d009c-33b4-4eb1-abed-6a5c34589995coder4669773b4fbe9d507f1396f38777a1b36998faf30.7402026-05-09T13:26:46.232212+00:00

Failure Breakdown

TaxonomyFailuresBar
wrong-logic1850
##########################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Recent Failures

Run IDTask IDTaxonomyScoreCostCreated
4ce8b1a7-d516-4548-9e59-4b403541debetypescript-security-fix-easy-001wrong-logic0.740$0.00102026-05-09T13:26:49.724387+00:00
f416be3c-c1de-46a8-8786-dfd4e9d79daapython-security-fix-easy-001wrong-logic0.740$0.00102026-05-09T13:26:49.652118+00:00
61b69672-55dc-43ca-b80b-1f627a92b5bdpython-recovery-easy-001wrong-logic0.740$0.00102026-05-09T13:26:46.474834+00:00
5b656575-e273-4344-9430-bf6dde0d8f5btypescript-config-easy-001wrong-logic0.740$0.00102026-05-09T13:26:46.362839+00:00
da5d009c-33b4-4eb1-abed-6a5c34589995python-config-easy-001wrong-logic0.740$0.00102026-05-09T13:26:46.232212+00:00
6e8df05e-3400-482c-87fb-b0742495db0atypescript-refactor-easy-001wrong-logic0.740$0.00102026-05-09T13:26:46.116959+00:00
4dd71279-b841-45c6-91e2-eed15b140757python-refactor-easy-001wrong-logic0.740$0.00102026-05-09T13:26:45.994969+00:00
78eb950a-bcb5-4c2e-a070-473143ede7aatypescript-multi-file-easy-001wrong-logic0.740$0.00102026-05-09T13:26:45.885653+00:00
5d264f40-023a-4aeb-9f02-a408b48c9784python-multi-file-easy-001wrong-logic0.740$0.00102026-05-09T13:26:45.787220+00:00
a898f009-12ce-444d-8bf9-e14f4c1891c2typescript-test-writing-easy-001wrong-logic0.740$0.00102026-05-09T13:26:45.662471+00:00

Cost Frontier

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