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: e7266ae1-fa57-4a40-8193-337029cfe134 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-22T13:49:20.161039+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
e7266ae1-fa57-4a40-8193-337029cfe134	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-22T13:49:20.161039+00:00
f8c5ec0c-909a-44d9-8d87-8e1cf14a03b1	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-22T13:49:19.897305+00:00
17a89ef2-82bb-40d3-bb37-3d572ffc6033	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-22T13:49:19.711936+00:00
6b3c16c3-22ec-4742-b59f-ae056d51d8f4	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-22T13:49:19.542425+00:00
026709ef-aa12-4ea1-8c83-5ebb84694449	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-22T13:49:19.361664+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	2318	##############################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

2318

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
e7266ae1-fa57-4a40-8193-337029cfe134	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-22T13:49:20.161039+00:00
f8c5ec0c-909a-44d9-8d87-8e1cf14a03b1	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-22T13:49:19.897305+00:00
17a89ef2-82bb-40d3-bb37-3d572ffc6033	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-22T13:49:19.711936+00:00
6b3c16c3-22ec-4742-b59f-ae056d51d8f4	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-22T13:49:19.542425+00:00
026709ef-aa12-4ea1-8c83-5ebb84694449	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-22T13:49:19.361664+00:00
1d4e4a9c-2b49-498e-9aaa-a6d994f65555	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-22T13:49:19.194566+00:00
6d2db19c-426f-4b93-a45f-566f077b5e31	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-22T13:49:19.024504+00:00
c96c739c-0f7f-4ac0-a30d-8401077f9357	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-22T13:49:18.872614+00:00
ec2c637e-7825-4d8a-ba2e-a3a5cc2ab2b0	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-22T13:49:18.702603+00:00
e462a2f2-dfbd-46a4-bf4f-43861eff0e5d	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-22T13:49:18.573410+00:00

Cost Frontier

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