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: b5e47b58-538c-46e3-8077-295c16acc919 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-10T02:43:07.005239+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
b5e47b58-538c-46e3-8077-295c16acc919	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-10T02:43:07.005239+00:00
1ac26feb-a44e-4836-bd57-3544fd91df6f	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-10T02:43:06.959327+00:00
80a0c54d-8667-4f0e-80f9-41687d8758ad	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-10T02:43:06.911715+00:00
020e6572-6efd-4a3b-aed2-5d999be6affe	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-10T02:43:06.863147+00:00
fc7b019c-6a58-4ff8-ab2f-dd143eb02a1b	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-10T02:43:06.799415+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	2147	###################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

2147

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
b5e47b58-538c-46e3-8077-295c16acc919	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-10T02:43:07.005239+00:00
1ac26feb-a44e-4836-bd57-3544fd91df6f	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-10T02:43:06.959327+00:00
80a0c54d-8667-4f0e-80f9-41687d8758ad	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-10T02:43:06.911715+00:00
020e6572-6efd-4a3b-aed2-5d999be6affe	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-10T02:43:06.863147+00:00
fc7b019c-6a58-4ff8-ab2f-dd143eb02a1b	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-10T02:43:06.799415+00:00
94f1d13a-36dc-4454-9ec4-6d650800b55d	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-10T02:43:06.754668+00:00
a2ff163e-469b-476a-9b45-42da2d74b94a	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-10T02:43:06.690941+00:00
2fb084d9-0a10-4dcb-be3c-798c84e9a32f	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-10T02:43:06.645921+00:00
f3fea226-6555-48e7-8863-191113c25fba	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-10T02:43:06.598734+00:00
8a8fa24b-75f9-4306-bea7-3191e81cf33b	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-10T02:43:06.550307+00:00

Cost Frontier

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