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: 1c8158ff-16bf-4697-95d9-3f6a0e16daca | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-23T17:55:14.615498+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
1c8158ff-16bf-4697-95d9-3f6a0e16daca	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T17:55:14.615498+00:00
9e0775aa-0910-4afc-8f07-8d10d073e6fe	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T17:55:14.550505+00:00
aee221d6-5334-4c65-9815-012b9337fe29	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T17:55:14.487433+00:00
9f1fe5fa-815e-4c51-8e9b-ea7dcd6751bc	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T17:55:14.413887+00:00
87e8069b-5867-4dd2-afe3-a89f750825dd	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T17:55:14.344054+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	2491	###########################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

2491

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
1c8158ff-16bf-4697-95d9-3f6a0e16daca	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T17:55:14.615498+00:00
9e0775aa-0910-4afc-8f07-8d10d073e6fe	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T17:55:14.550505+00:00
aee221d6-5334-4c65-9815-012b9337fe29	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T17:55:14.487433+00:00
9f1fe5fa-815e-4c51-8e9b-ea7dcd6751bc	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T17:55:14.413887+00:00
87e8069b-5867-4dd2-afe3-a89f750825dd	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T17:55:14.344054+00:00
36f0954e-2f7e-421b-8330-144071e1170c	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T17:55:14.261257+00:00
b19c948e-36b5-4d57-a317-3d39cc126f8d	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T17:55:14.190449+00:00
4cc8e839-b1c6-43d3-bac9-157d598491fa	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T17:55:14.115684+00:00
1cb1164e-5e7f-4bcf-a735-776bd57b87a9	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T17:55:14.044845+00:00
8c7389fb-7ee5-4286-8f5b-0651268730d8	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T17:55:13.966564+00:00

Cost Frontier

pass_rate vs cost_usd (Pareto frontier marked with *)
* [####################] 100.0% @ $0.0039  (coder)