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: 6d7f30a3-a302-447c-9fac-74dc4b81ba37 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-23T18:56:25.667321+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
6d7f30a3-a302-447c-9fac-74dc4b81ba37	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T18:56:25.667321+00:00
577f76cb-23d0-4a80-9fa9-80de37b3d2ce	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T18:56:25.540005+00:00
08adafbb-6fb4-4323-a3a3-f74f7067ebe6	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T18:56:25.476984+00:00
d235d8e0-8d2d-432e-b864-28b18fd4ae41	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T18:56:25.429046+00:00
dadbea42-9327-4a65-94cf-5f5e59514aba	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T18:56:25.350146+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	2835	###################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

2835

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
6d7f30a3-a302-447c-9fac-74dc4b81ba37	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:56:25.667321+00:00
577f76cb-23d0-4a80-9fa9-80de37b3d2ce	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:56:25.540005+00:00
08adafbb-6fb4-4323-a3a3-f74f7067ebe6	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:56:25.476984+00:00
d235d8e0-8d2d-432e-b864-28b18fd4ae41	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:56:25.429046+00:00
dadbea42-9327-4a65-94cf-5f5e59514aba	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:56:25.350146+00:00
7d346ae7-3d06-4dbc-b11d-e2d357b5d3fd	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:56:25.286998+00:00
446413d1-83ad-4c4f-b652-bda0804cb192	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:56:25.231546+00:00
95a55968-f02c-45c5-b32c-0ba71097dc7d	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:56:25.164868+00:00
a3951ddc-c2f8-4f6c-b638-231b877c7a89	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:56:25.096740+00:00
f4619ca3-9e80-4b1f-8953-501193b9ad1a	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:56:25.017424+00:00

Cost Frontier

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