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: 0a99021b-bf1c-4e1c-8b46-dbe0f4acd5e7 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-09T18:32:42.227537+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
0a99021b-bf1c-4e1c-8b46-dbe0f4acd5e7	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T18:32:42.227537+00:00
41b6c2a4-dcaf-4cd8-a651-284ea27a3271	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T18:32:42.173136+00:00
9c7f29f9-b2a4-4115-9b98-d26435361934	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T18:32:42.098456+00:00
7ae53c58-8289-42f1-8eb3-0bc24bb0a72d	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T18:32:42.074351+00:00
2eecc8f2-4b45-44b7-905a-b458beeb0e7c	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T18:32:42.039126+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	2006	######################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

2006

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
0a99021b-bf1c-4e1c-8b46-dbe0f4acd5e7	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T18:32:42.227537+00:00
41b6c2a4-dcaf-4cd8-a651-284ea27a3271	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T18:32:42.173136+00:00
9c7f29f9-b2a4-4115-9b98-d26435361934	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T18:32:42.098456+00:00
7ae53c58-8289-42f1-8eb3-0bc24bb0a72d	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T18:32:42.074351+00:00
2eecc8f2-4b45-44b7-905a-b458beeb0e7c	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T18:32:42.039126+00:00
b1946a2d-ab3e-4247-ace5-517a0c13d0e4	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T18:32:41.997950+00:00
c76ce7fc-b32c-4a3c-ab63-0d9d6f6747c7	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T18:32:41.960229+00:00
7d95ffd3-4485-46d0-b829-9881cef24b70	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T18:32:41.915619+00:00
223a774a-964c-44ca-8d35-27e01cd1f375	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T18:32:41.884601+00:00
e86582cc-dbc5-4afa-9204-ba04cd7ab005	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T18:32:41.838821+00:00

Cost Frontier

pass_rate vs cost_usd (Pareto frontier marked with *)
* [####################] 100.0% @ $0.0041  (coder)