Eval Report: ci-pr-smoke

Profile: gdm-swebench-lite-v1 | Tasks: 2 | Pass rate: 100.0% | Cost: $0.0020

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

Leaderboard Snapshot

Latest run: 00d15342-1612-4b3a-b8c8-641dc58f78e8 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-22T14:01:02.295455+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
00d15342-1612-4b3a-b8c8-641dc58f78e8	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-22T14:01:02.295455+00:00
bdf591a2-97a2-4f4e-a1e8-9dcdecef206a	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-22T14:01:02.200143+00:00
4affd2df-8256-498a-af7e-78d60f1040b5	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-22T14:01:01.375923+00:00
0322cd24-a73b-49fa-9307-c4bd12afd67c	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-22T14:01:01.231866+00:00
9d66b90e-351d-496a-b901-8cac3e6e52d0	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-22T14:01:01.072271+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	2414	##############################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

2414

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
00d15342-1612-4b3a-b8c8-641dc58f78e8	typescript-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-05-22T14:01:02.295455+00:00
bdf591a2-97a2-4f4e-a1e8-9dcdecef206a	python-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-05-22T14:01:02.200143+00:00
4affd2df-8256-498a-af7e-78d60f1040b5	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-22T14:01:01.375923+00:00
0322cd24-a73b-49fa-9307-c4bd12afd67c	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-22T14:01:01.231866+00:00
9d66b90e-351d-496a-b901-8cac3e6e52d0	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-22T14:01:01.072271+00:00
ba82f9f7-3a77-462b-a366-10d01228281e	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-22T14:01:00.944929+00:00
16a9078e-d9fb-4d92-a215-ad47f325e6aa	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-22T14:01:00.854883+00:00
f438f57e-cc7f-41b2-ae24-5a34770dc283	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-22T14:01:00.752017+00:00
0c6b6965-913c-4d0f-a542-a2617d3cf2f5	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-22T14:01:00.653275+00:00
b9c7462d-b2ac-438f-9e25-9146717e791d	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-22T14:01:00.557449+00:00

Cost Frontier

pass_rate vs cost_usd (Pareto frontier marked with *)
* [####################] 100.0% @ $0.0039  (coder)