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: 55b1a649-22b3-4dd5-b27f-e95f3de77de7 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-22T13:48:37.972761+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
55b1a649-22b3-4dd5-b27f-e95f3de77de7	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-22T13:48:37.972761+00:00
91a974e1-6c55-4510-acbd-e67350ab6a29	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-22T13:48:37.792672+00:00
b65af54a-f17d-4aec-bb5a-908593a59766	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-22T13:48:37.592697+00:00
23edbe84-b428-4149-88b1-cb29afc9443d	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-22T13:48:37.421936+00:00
26021fab-e48d-4317-bd6c-39f4075cc1f0	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-22T13:48:37.228853+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	2303	###############################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

2303

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
55b1a649-22b3-4dd5-b27f-e95f3de77de7	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-22T13:48:37.972761+00:00
91a974e1-6c55-4510-acbd-e67350ab6a29	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-22T13:48:37.792672+00:00
b65af54a-f17d-4aec-bb5a-908593a59766	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-22T13:48:37.592697+00:00
23edbe84-b428-4149-88b1-cb29afc9443d	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-22T13:48:37.421936+00:00
26021fab-e48d-4317-bd6c-39f4075cc1f0	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-22T13:48:37.228853+00:00
09586830-0bfd-422f-935e-2927e26751db	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-22T13:48:37.073693+00:00
a3ccbbbf-8b62-4d62-aba8-fbface65dd74	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-22T13:48:36.880123+00:00
a168bb9b-c35e-4350-a90c-01e07974d18c	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-22T13:48:36.709266+00:00
8af8d55f-0927-4724-8dec-87ef48c559ac	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-22T13:48:36.533152+00:00
59e826aa-26fe-42df-8040-f43621c974d2	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-22T13:48:36.359713+00:00

Cost Frontier

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