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: 98576b2b-132a-43aa-a0d8-1421ce73f529 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-23T18:00:59.836537+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
98576b2b-132a-43aa-a0d8-1421ce73f529	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T18:00:59.836537+00:00
6f50b98d-81c6-4738-bde8-e18b85d981fc	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T18:00:59.778670+00:00
1746aa1f-a823-4aba-8e52-5c6e197bb5dd	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T18:00:59.719621+00:00
ecc33964-b8a0-4f99-999c-e6d595282a23	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T18:00:59.654802+00:00
42bb1811-43e6-4cd8-b0cb-9cce10cd7d0a	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T18:00:59.588334+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	2506	##########################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

2506

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
98576b2b-132a-43aa-a0d8-1421ce73f529	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:00:59.836537+00:00
6f50b98d-81c6-4738-bde8-e18b85d981fc	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:00:59.778670+00:00
1746aa1f-a823-4aba-8e52-5c6e197bb5dd	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:00:59.719621+00:00
ecc33964-b8a0-4f99-999c-e6d595282a23	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:00:59.654802+00:00
42bb1811-43e6-4cd8-b0cb-9cce10cd7d0a	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:00:59.588334+00:00
70b7a373-8737-4ff2-a0fa-a8e1d8fcbeb3	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:00:59.529937+00:00
b5843f5d-7ed3-45fd-a226-c2dac25434db	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:00:59.471856+00:00
8fdc6174-e956-4ba6-9301-c3db01aa0507	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:00:59.405351+00:00
689c20ce-4ed5-4d05-8beb-24a8cd58f0f4	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:00:59.353903+00:00
c5525778-58e8-4766-9abe-3ec5e46eed94	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:00:59.288824+00:00

Cost Frontier

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