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: 626d0e82-bcbe-4240-ab92-cb4c5e2cf5f0 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-23T18:51:41.473478+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
626d0e82-bcbe-4240-ab92-cb4c5e2cf5f0	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T18:51:41.473478+00:00
8381363a-59cc-4019-ac91-58559f54aa6c	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T18:51:41.372030+00:00
b85cc57b-28c6-4d8a-abfd-0182c2894109	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T18:51:41.261281+00:00
ee3e9535-0be4-4d32-b512-6fae11181265	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T18:51:41.154570+00:00
2c3c3be7-53fa-4dd9-a4e8-3240ea9adaf7	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T18:51:41.055837+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	2805	#####################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

2805

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
626d0e82-bcbe-4240-ab92-cb4c5e2cf5f0	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:51:41.473478+00:00
8381363a-59cc-4019-ac91-58559f54aa6c	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:51:41.372030+00:00
b85cc57b-28c6-4d8a-abfd-0182c2894109	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:51:41.261281+00:00
ee3e9535-0be4-4d32-b512-6fae11181265	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:51:41.154570+00:00
2c3c3be7-53fa-4dd9-a4e8-3240ea9adaf7	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:51:41.055837+00:00
c6a350db-d33e-4a0b-8218-f3d0ce15559c	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:51:40.944379+00:00
0a8a594e-913c-45f5-9c64-f926649e16f7	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:51:40.848701+00:00
0275ee73-0367-4a18-bea6-d37ef1cb389e	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:51:40.737690+00:00
345d4a9c-ab71-4894-a8ca-7397a2020663	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:51:40.630053+00:00
3d125e7d-65ee-4c82-ac40-97857479b7b4	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:51:40.529811+00:00

Cost Frontier

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