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: f4818600-9e77-4362-bdd6-ca1fb8a6419c | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-23T19:43:20.317559+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
f4818600-9e77-4362-bdd6-ca1fb8a6419c	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T19:43:20.317559+00:00
3e215c8d-abc4-4b4c-97b7-b5985d266751	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T19:43:20.238312+00:00
2c5b2cc6-1738-4d62-a2f5-823d37ad1bda	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T19:43:20.175397+00:00
59242783-0cef-4dc6-9ae5-f4a421473ee4	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T19:43:20.095541+00:00
c91610cc-d575-49ac-bc34-f1b8d2146d16	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T19:43:20.016577+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	2976	################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

2976

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
f4818600-9e77-4362-bdd6-ca1fb8a6419c	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T19:43:20.317559+00:00
3e215c8d-abc4-4b4c-97b7-b5985d266751	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T19:43:20.238312+00:00
2c5b2cc6-1738-4d62-a2f5-823d37ad1bda	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T19:43:20.175397+00:00
59242783-0cef-4dc6-9ae5-f4a421473ee4	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T19:43:20.095541+00:00
c91610cc-d575-49ac-bc34-f1b8d2146d16	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T19:43:20.016577+00:00
9ea71dd1-6f5d-4b89-b422-51df8873d378	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T19:43:19.952962+00:00
a5263c14-9af0-4b98-a364-b4004ea7fe87	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T19:43:19.873574+00:00
c1aa4517-79a6-486a-aaa1-21915398b9a7	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T19:43:19.803986+00:00
46a7e3b3-26f1-4bb5-b506-50475b3920b1	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T19:43:19.715567+00:00
7d1ce2a6-e7a2-4755-a88d-d9590de976f9	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T19:43:19.634177+00:00

Cost Frontier

pass_rate vs cost_usd (Pareto frontier marked with *)
* [####################] 100.0% @ $0.0037  (coder)