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: ee29db10-c394-47b9-8769-c56145ac4156 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-23T19:47:53.258441+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
ee29db10-c394-47b9-8769-c56145ac4156	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T19:47:53.258441+00:00
8c2e92a7-05a6-4d19-a9e8-85054043f3d0	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T19:47:53.184063+00:00
77e344c6-3977-4741-92b3-133d6fb92574	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T19:47:53.110233+00:00
c128f5de-5f19-40b2-8cdc-b0371079d777	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T19:47:53.024986+00:00
d0e9536f-7592-4a4b-a252-bf50ba17876d	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T19:47:52.965638+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	3023	###############################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

3023

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
ee29db10-c394-47b9-8769-c56145ac4156	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T19:47:53.258441+00:00
8c2e92a7-05a6-4d19-a9e8-85054043f3d0	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T19:47:53.184063+00:00
77e344c6-3977-4741-92b3-133d6fb92574	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T19:47:53.110233+00:00
c128f5de-5f19-40b2-8cdc-b0371079d777	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T19:47:53.024986+00:00
d0e9536f-7592-4a4b-a252-bf50ba17876d	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T19:47:52.965638+00:00
f6b15e50-4293-40b6-952c-d0e0d50482c1	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T19:47:52.881942+00:00
b6594e06-2d9b-4751-9273-0c252cc32948	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T19:47:52.818515+00:00
a2cd15e0-162c-4e18-8d5e-0d53c876522a	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T19:47:52.739429+00:00
6614d4ad-307f-4bdb-b326-87cc2c1db955	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T19:47:52.660640+00:00
253ffde3-c07c-47f7-9a59-8c075290bb72	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T19:47:52.557919+00:00

Cost Frontier

pass_rate vs cost_usd (Pareto frontier marked with *)
* [####################] 100.0% @ $0.0036  (coder)