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: 5b088bd6-9575-45a9-9c21-56d94fdf5850 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-09T14:20:47.834449+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
5b088bd6-9575-45a9-9c21-56d94fdf5850	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T14:20:47.834449+00:00
5d828fb5-d2e9-4aca-a12b-0403e05ac2bf	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T14:20:47.725356+00:00
bd03c245-3b57-43e3-ad84-7a3b26451a93	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T14:20:47.616275+00:00
4405b656-2da0-4f01-8617-2bafaa46dd6b	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T14:20:47.503071+00:00
2631864a-16ba-4399-8c5f-f4ab26255128	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T14:20:47.415465+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1895	#######################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1895

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
5b088bd6-9575-45a9-9c21-56d94fdf5850	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:20:47.834449+00:00
5d828fb5-d2e9-4aca-a12b-0403e05ac2bf	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:20:47.725356+00:00
bd03c245-3b57-43e3-ad84-7a3b26451a93	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:20:47.616275+00:00
4405b656-2da0-4f01-8617-2bafaa46dd6b	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:20:47.503071+00:00
2631864a-16ba-4399-8c5f-f4ab26255128	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:20:47.415465+00:00
2d141e51-7d13-4f7c-9941-1eb0e22d2acf	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:20:47.316447+00:00
5ae5895d-27df-4475-960e-eac9f523ea3d	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:20:47.204716+00:00
1faa31df-ffe3-46d7-bd1d-840c28710fc5	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:20:47.009626+00:00
163de223-627e-4da9-914f-b040032c827b	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:20:46.865642+00:00
01acfef6-039a-4a4f-bcf2-dfff119984a4	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T14:20:46.686486+00:00

Cost Frontier

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