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: 44877001-4de7-46d1-ad5b-89cb9efd50ea | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-09T02:54:20.663738+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
44877001-4de7-46d1-ad5b-89cb9efd50ea	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T02:54:20.663738+00:00
3e39ef9b-bf83-4ab0-b441-ac20c3fad45b	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T02:54:20.500297+00:00
c821c3f4-09c3-4d22-8e7e-2f2a6751f4d1	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T02:54:20.331607+00:00
fddfe913-aa82-4397-91d3-31b82db75f9c	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T02:54:20.181174+00:00
8417f462-e38b-49d8-961f-93644c342ec6	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T02:54:20.019005+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1613	#############################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1613

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
44877001-4de7-46d1-ad5b-89cb9efd50ea	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:54:20.663738+00:00
3e39ef9b-bf83-4ab0-b441-ac20c3fad45b	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:54:20.500297+00:00
c821c3f4-09c3-4d22-8e7e-2f2a6751f4d1	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:54:20.331607+00:00
fddfe913-aa82-4397-91d3-31b82db75f9c	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:54:20.181174+00:00
8417f462-e38b-49d8-961f-93644c342ec6	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:54:20.019005+00:00
50f10a35-a872-4a86-beb4-d275346b9535	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:54:19.888980+00:00
1a3208a3-8046-4eec-b9da-d5327fe01d18	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:54:19.769836+00:00
6ed98eb3-0d9c-4c6a-a05e-8f67da35b1f4	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:54:19.623603+00:00
1a0bef29-51f4-4086-8ed3-c557359cb037	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:54:19.488007+00:00
3c049e08-ecb4-4cd5-a155-1bf6ed8c7a4b	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:54:19.378962+00:00

Cost Frontier

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