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: df371453-52d1-4fb0-b6d4-7cb62d054e00 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-10T00:42:13.152619+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
df371453-52d1-4fb0-b6d4-7cb62d054e00	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-10T00:42:13.152619+00:00
fba1b22c-51c4-4324-b964-5fa69f32a5ce	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-10T00:42:13.107592+00:00
af9ebdbc-41df-4de4-91e4-b088a2ccf670	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-10T00:42:13.048545+00:00
b078b800-eee3-454e-b50c-1c11a757ea62	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-10T00:42:12.983125+00:00
09f87f0c-07c8-429d-b98f-99a38c739f5c	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-10T00:42:12.834876+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	2100	####################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

2100

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
df371453-52d1-4fb0-b6d4-7cb62d054e00	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-10T00:42:13.152619+00:00
fba1b22c-51c4-4324-b964-5fa69f32a5ce	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-10T00:42:13.107592+00:00
af9ebdbc-41df-4de4-91e4-b088a2ccf670	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-10T00:42:13.048545+00:00
b078b800-eee3-454e-b50c-1c11a757ea62	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-10T00:42:12.983125+00:00
09f87f0c-07c8-429d-b98f-99a38c739f5c	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-10T00:42:12.834876+00:00
a8d55512-5626-4f33-884c-0b5c0fe15168	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-10T00:42:12.766875+00:00
c43166aa-5583-4ccf-a5ee-e7f9ae50fe98	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-10T00:42:12.685292+00:00
98d39471-b3b2-49a7-85ac-ecfb1b4eff15	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-10T00:42:12.607976+00:00
9592702b-5f42-4ee9-9b46-fb3f9df38cc9	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-10T00:42:12.567852+00:00
12104764-9a26-4d43-a51a-ae8799b3987c	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-10T00:42:12.524804+00:00

Cost Frontier

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