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: 0fef0769-b758-4e80-891e-2c30b3ab6ba9 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-09T19:40:52.395552+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
0fef0769-b758-4e80-891e-2c30b3ab6ba9	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T19:40:52.395552+00:00
e291bad1-44a8-4d04-ab18-71a4b0cac5af	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T19:40:52.323672+00:00
76231437-81de-41cb-a719-5a7301043de0	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T19:40:52.254278+00:00
acdcd5d1-4573-4e80-993e-c36f1da06aef	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T19:40:52.189232+00:00
a7354e90-26fb-49b1-b8a7-37ec1a6e8190	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T19:40:52.116247+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	2053	#####################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

2053

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
0fef0769-b758-4e80-891e-2c30b3ab6ba9	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T19:40:52.395552+00:00
e291bad1-44a8-4d04-ab18-71a4b0cac5af	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T19:40:52.323672+00:00
76231437-81de-41cb-a719-5a7301043de0	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T19:40:52.254278+00:00
acdcd5d1-4573-4e80-993e-c36f1da06aef	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T19:40:52.189232+00:00
a7354e90-26fb-49b1-b8a7-37ec1a6e8190	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T19:40:52.116247+00:00
e6bb3f9e-2c4e-4fdd-a67a-ed95976fc399	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T19:40:52.037957+00:00
2a141338-9fd3-49ec-ae34-fadd348bf4b7	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T19:40:51.961465+00:00
bb6ed915-2f62-4a65-b37c-770ba84cfd18	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T19:40:51.876297+00:00
0527652e-7ebf-4281-ac83-26952402c6e0	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T19:40:51.791587+00:00
23f04329-f820-43a5-bd4c-1462817a8d8a	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T19:40:51.713852+00:00

Cost Frontier

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