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: 214bb958-54fc-47ba-ba73-e1033fd7f585 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-10T02:43:05.301595+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
214bb958-54fc-47ba-ba73-e1033fd7f585	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-10T02:43:05.301595+00:00
638f4e98-7711-4d2e-8327-cbdaea00e442	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-10T02:43:05.253264+00:00
4450a148-8176-4a6e-aa84-e0d1192e9677	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-10T02:43:05.202942+00:00
3e69cf24-1dd0-4ba4-9d49-406355a53815	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-10T02:43:05.155575+00:00
01b12fcf-ffc0-49d5-b319-fdfc1ff6cdfe	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-10T02:43:05.113328+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	2130	##################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

2130

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
214bb958-54fc-47ba-ba73-e1033fd7f585	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-10T02:43:05.301595+00:00
638f4e98-7711-4d2e-8327-cbdaea00e442	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-10T02:43:05.253264+00:00
4450a148-8176-4a6e-aa84-e0d1192e9677	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-10T02:43:05.202942+00:00
3e69cf24-1dd0-4ba4-9d49-406355a53815	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-10T02:43:05.155575+00:00
01b12fcf-ffc0-49d5-b319-fdfc1ff6cdfe	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-10T02:43:05.113328+00:00
28adf51b-5b01-4ec4-84fc-a3c5842856c8	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-10T02:43:05.069668+00:00
718a0f18-e3b4-4868-9705-76957321f84c	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-10T02:43:05.002660+00:00
f8beeb8a-9bde-4476-97cc-3cf84fabcc19	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-10T02:43:04.942597+00:00
05923411-8f5b-4d0f-bcd6-c420a81ac05c	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-10T02:43:04.902899+00:00
5327d98f-2d61-464f-95a1-0d1086908648	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-10T02:43:04.855855+00:00

Cost Frontier

pass_rate vs cost_usd (Pareto frontier marked with *)
* [####################] 100.0% @ $0.0040  (coder)