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: 17cb696f-fd2b-463e-bcfa-dc8f70f53a42 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-27T23:48:03.384860+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
17cb696f-fd2b-463e-bcfa-dc8f70f53a42	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T23:48:03.384860+00:00
4f4348da-88bc-4a49-b58c-7421445bbb5d	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T23:48:03.301281+00:00
2d283b2a-0b2d-4ba9-ab2e-428b8993c07d	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T23:48:03.170166+00:00
bbf227e1-8386-4966-95c3-04592d95df6b	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T23:48:03.102223+00:00
43215fd2-7122-4449-acbe-703f2d140475	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T23:48:03.022884+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	673	#################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

673

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
17cb696f-fd2b-463e-bcfa-dc8f70f53a42	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T23:48:03.384860+00:00
4f4348da-88bc-4a49-b58c-7421445bbb5d	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T23:48:03.301281+00:00
2d283b2a-0b2d-4ba9-ab2e-428b8993c07d	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T23:48:03.170166+00:00
bbf227e1-8386-4966-95c3-04592d95df6b	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T23:48:03.102223+00:00
43215fd2-7122-4449-acbe-703f2d140475	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T23:48:03.022884+00:00
0f82fa4c-7db8-4b55-a286-1363877cf5b1	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T23:48:02.973458+00:00
966933e6-0f1f-4f6e-abef-5dd24bce6b0e	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T23:48:02.904459+00:00
5cb5c57a-0e48-4868-ba9f-e9a537468687	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T23:48:02.840235+00:00
c4c44a49-bee2-4414-bd4a-c1c50455883d	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T23:48:02.771477+00:00
75aa3fac-bfaf-40fe-894b-9140b88e8136	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T23:48:02.697921+00:00

Cost Frontier

pass_rate vs cost_usd (Pareto frontier marked with *)
* [####################] 100.0% @ $0.0050  (coder)