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: 84a3756b-64c2-47be-8443-8f72270533f9 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-23T18:27:34.210939+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
84a3756b-64c2-47be-8443-8f72270533f9	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T18:27:34.210939+00:00
92194afa-6eb2-471e-b9f4-4a91b2c28b72	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T18:27:34.152999+00:00
ca819bfe-a7a2-446b-8744-070435ed3ebc	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T18:27:34.082956+00:00
6ed26f69-29d3-44b5-badf-92eef0d60212	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T18:27:34.023973+00:00
a6b54316-3a4a-43e7-9232-4572b7086057	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T18:27:33.940102+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	2647	#######################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

2647

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
84a3756b-64c2-47be-8443-8f72270533f9	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:27:34.210939+00:00
92194afa-6eb2-471e-b9f4-4a91b2c28b72	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:27:34.152999+00:00
ca819bfe-a7a2-446b-8744-070435ed3ebc	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:27:34.082956+00:00
6ed26f69-29d3-44b5-badf-92eef0d60212	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:27:34.023973+00:00
a6b54316-3a4a-43e7-9232-4572b7086057	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:27:33.940102+00:00
8421c58a-7e8f-44e8-97e9-7acc0f68a48a	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:27:33.884018+00:00
b9163bdb-db27-46d5-ba2e-d05ab82c93a5	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:27:33.816678+00:00
61c61795-b00c-4aa7-ae49-d9c3a1846cfc	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:27:33.756208+00:00
1857b220-601f-4620-8df5-c99e75cfc7d3	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:27:33.694206+00:00
16fdde1e-df83-4826-b0eb-4955b8c039bd	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:27:33.635684+00:00

Cost Frontier

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