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: 10daa75f-06ae-4b33-8408-bd1192823d8e | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-23T18:27:43.133497+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
10daa75f-06ae-4b33-8408-bd1192823d8e	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T18:27:43.133497+00:00
00ea89f7-f16c-4f43-9f58-a96c5daaddac	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T18:27:43.076212+00:00
176a4d8b-9814-408e-a967-89797d3e6064	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T18:27:43.018998+00:00
396f709d-1021-4c8b-b501-992e5a0b02b3	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T18:27:42.952797+00:00
815a7ea8-2b5f-4d81-aa45-98a3a7dc4a5c	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T18:27:42.885823+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	2679	#######################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

2679

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
10daa75f-06ae-4b33-8408-bd1192823d8e	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:27:43.133497+00:00
00ea89f7-f16c-4f43-9f58-a96c5daaddac	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:27:43.076212+00:00
176a4d8b-9814-408e-a967-89797d3e6064	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:27:43.018998+00:00
396f709d-1021-4c8b-b501-992e5a0b02b3	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:27:42.952797+00:00
815a7ea8-2b5f-4d81-aa45-98a3a7dc4a5c	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:27:42.885823+00:00
7976d9eb-a079-4a71-92cd-1fc8ac30b92e	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:27:42.807446+00:00
fce318a8-87f4-4f7a-a9be-ee3dd99d7d80	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:27:42.729125+00:00
299e6c9e-baf0-4d14-8e1d-e57a01da3485	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:27:42.676312+00:00
717b2bec-3200-481b-97bc-72c7f524dd53	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:27:42.614601+00:00
1b4911bf-13c7-43f2-bf22-a83efedb0153	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:27:42.535091+00:00

Cost Frontier

pass_rate vs cost_usd (Pareto frontier marked with *)
* [####################] 100.0% @ $0.0038  (coder)