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: f6e91fa6-5252-4398-835e-2903f4098f44 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-23T19:14:34.126577+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
f6e91fa6-5252-4398-835e-2903f4098f44	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T19:14:34.126577+00:00
ca43e566-da43-4983-9461-10a5f612c8d4	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T19:14:34.044599+00:00
5c9eac07-99c2-4f8c-b538-72589126ee23	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T19:14:33.997003+00:00
472a4c7c-ba60-4f95-ad21-c5531825a4d2	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T19:14:33.938343+00:00
f2dafa9b-ec5e-4843-8663-2d926cfc55c4	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T19:14:33.876268+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	2929	#################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

2929

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
f6e91fa6-5252-4398-835e-2903f4098f44	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T19:14:34.126577+00:00
ca43e566-da43-4983-9461-10a5f612c8d4	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T19:14:34.044599+00:00
5c9eac07-99c2-4f8c-b538-72589126ee23	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T19:14:33.997003+00:00
472a4c7c-ba60-4f95-ad21-c5531825a4d2	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T19:14:33.938343+00:00
f2dafa9b-ec5e-4843-8663-2d926cfc55c4	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T19:14:33.876268+00:00
e3bcacda-fd08-417b-aed4-13c4e9ce4a33	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T19:14:33.806703+00:00
1d3369ef-53f7-4256-b40b-f6d4744393d8	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T19:14:33.743448+00:00
99b1bbf1-8b11-42ea-a4c0-6f0305e64d5d	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T19:14:33.679723+00:00
ec614b6a-bb5e-4159-94a0-1895b96f1533	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T19:14:33.622018+00:00
e98c0e26-14b9-4318-a99a-4463703f7b5f	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T19:14:33.567768+00:00

Cost Frontier

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