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: 1174f970-279b-4a87-a173-8d28c7c59c6a | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-09T02:54:24.498869+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
1174f970-279b-4a87-a173-8d28c7c59c6a	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T02:54:24.498869+00:00
0e6e58ba-7bf7-4d06-87ed-041c6e837c23	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T02:54:24.297164+00:00
aa81e33a-cd68-45ee-a457-fde89ca84d35	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T02:54:24.174484+00:00
b57f709c-0822-429e-b6bf-cae501b86e71	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T02:54:24.023872+00:00
62c64ab8-f04a-414b-bccc-d586e69c52d3	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-09T02:54:23.894831+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1630	##############################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1630

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
1174f970-279b-4a87-a173-8d28c7c59c6a	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:54:24.498869+00:00
0e6e58ba-7bf7-4d06-87ed-041c6e837c23	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:54:24.297164+00:00
aa81e33a-cd68-45ee-a457-fde89ca84d35	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:54:24.174484+00:00
b57f709c-0822-429e-b6bf-cae501b86e71	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:54:24.023872+00:00
62c64ab8-f04a-414b-bccc-d586e69c52d3	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:54:23.894831+00:00
9529d639-cf36-433f-9767-e0c713236983	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:54:23.792791+00:00
e259597e-020d-4a56-9e1f-ca3450aa837b	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:54:23.641647+00:00
964ccfe2-776a-49ed-8ffc-de83f760a147	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:54:23.489231+00:00
618743e6-5cde-4fc2-9f73-5c1ac8a3aff0	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:54:23.341231+00:00
5ba2a4c7-4837-4525-be00-0611a59bfef4	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-09T02:54:23.166966+00:00

Cost Frontier

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