Eval Report: ci-pr-smoke

Profile: gdm-swebench-lite-v1 | Tasks: 2 | Pass rate: 100.0% | Cost: $0.0020

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

Leaderboard Snapshot

Latest run: cf693923-7250-4d6b-a2cd-a56e6703c775 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-27T16:58:56.016142+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
cf693923-7250-4d6b-a2cd-a56e6703c775	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:58:56.016142+00:00
93f567bc-24c6-452c-820c-28ff6ae075ed	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:58:55.911274+00:00
bfeb9691-9bcc-4de9-a1e9-5ec929907a68	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:58:55.471460+00:00
0c9106cf-544a-4943-80db-a8b2d965bf8f	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:58:55.398792+00:00
ac0f75de-df3d-4b79-8bd6-c161e7e39a66	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:58:55.322048+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	534	######################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

534

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
cf693923-7250-4d6b-a2cd-a56e6703c775	typescript-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:58:56.016142+00:00
93f567bc-24c6-452c-820c-28ff6ae075ed	python-security-fix-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:58:55.911274+00:00
bfeb9691-9bcc-4de9-a1e9-5ec929907a68	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:58:55.471460+00:00
0c9106cf-544a-4943-80db-a8b2d965bf8f	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:58:55.398792+00:00
ac0f75de-df3d-4b79-8bd6-c161e7e39a66	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:58:55.322048+00:00
4ce0a61d-8bb2-416b-bd4e-eab0ac8e9716	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:58:55.263245+00:00
06e3be35-3233-462b-bc7d-3ea7e947490d	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:58:55.209887+00:00
e6057c46-ebed-4b3a-996d-fcfbd5afd7be	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:58:55.116405+00:00
fa164469-3754-4ec2-8126-4028fa2be81d	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:58:55.053551+00:00
c9d384b5-351b-4777-b5d0-00adcd2605ca	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:58:54.975596+00:00

Cost Frontier

pass_rate vs cost_usd (Pareto frontier marked with *)
* [####################] 100.0% @ $0.0051  (coder)