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: 01253284-d581-457f-9adf-de96a8cd4908 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-05-23T18:51:38.086650+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
01253284-d581-457f-9adf-de96a8cd4908	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T18:51:38.086650+00:00
34fc6757-c827-402d-8cb9-1d95285e2bec	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T18:51:37.934399+00:00
22517f1e-517f-41eb-958d-40b9cd66661e	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T18:51:37.815839+00:00
a4401068-0121-41b1-9cbd-9bc2f10ae84d	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T18:51:37.689183+00:00
c3e4da54-dceb-4559-a2e3-7cbc88fca1ca	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-05-23T18:51:37.545817+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	2788	####################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

2788

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
01253284-d581-457f-9adf-de96a8cd4908	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:51:38.086650+00:00
34fc6757-c827-402d-8cb9-1d95285e2bec	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:51:37.934399+00:00
22517f1e-517f-41eb-958d-40b9cd66661e	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:51:37.815839+00:00
a4401068-0121-41b1-9cbd-9bc2f10ae84d	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:51:37.689183+00:00
c3e4da54-dceb-4559-a2e3-7cbc88fca1ca	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:51:37.545817+00:00
615ee2d2-c0eb-491b-bf27-60bd2444c4e4	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:51:37.435030+00:00
21090e4d-5cf2-4004-a081-2ca487606e98	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:51:37.323530+00:00
574d974c-86cb-4034-b4ef-d897dfef183f	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:51:37.212874+00:00
8a9e3f69-cf02-4c79-87a1-a25d806aac00	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:51:37.085807+00:00
07aa8a5c-8dda-4e31-aca5-64132c1744a0	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-05-23T18:51:36.976183+00:00

Cost Frontier

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