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: 025c2646-d103-40ef-88da-803744966f41 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-09T02:18:55.915914+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
025c2646-d103-40ef-88da-803744966f41	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T02:18:55.915914+00:00
b09c051e-7de2-45c1-ab3a-eba14ebf9a49	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T02:18:55.840578+00:00
21e32c97-722e-43b3-aea4-4c7de89a2c27	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T02:18:55.762486+00:00
e446d552-2999-4321-9a09-5455c594e56b	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T02:18:55.692454+00:00
b9350205-62ad-40c7-854f-940abf426c0f	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T02:18:55.623062+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1583	###############################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1583

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
025c2646-d103-40ef-88da-803744966f41	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:18:55.915914+00:00
b09c051e-7de2-45c1-ab3a-eba14ebf9a49	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:18:55.840578+00:00
21e32c97-722e-43b3-aea4-4c7de89a2c27	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:18:55.762486+00:00
e446d552-2999-4321-9a09-5455c594e56b	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:18:55.692454+00:00
b9350205-62ad-40c7-854f-940abf426c0f	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:18:55.623062+00:00
d055ecb9-5ff3-4d61-ae01-b3e95969571d	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:18:55.553885+00:00
25935b8d-2325-4b1d-8a10-5fd4fb511b44	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:18:55.472715+00:00
b9599bd6-00ae-48f8-be06-e16994501e4b	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:18:55.395335+00:00
2a7e11db-7d17-4032-9009-889f69cae37b	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:18:55.302999+00:00
1f3577d4-f545-48db-8dc2-f9290d76cc0f	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:18:55.233695+00:00

Cost Frontier

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