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: c371c25e-4839-4771-a31c-a395b9b3e06f | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-27T17:12:22.996027+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
c371c25e-4839-4771-a31c-a395b9b3e06f	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T17:12:22.996027+00:00
adfb7814-80bd-4ddc-b6d8-ebe03c9588da	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T17:12:22.874281+00:00
42454943-33cc-4ceb-81f7-e0adc588a581	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T17:12:22.766289+00:00
865e9d0a-42fc-418d-8b8b-96bf6bfbecfb	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T17:12:22.680195+00:00
f0ab6262-fb45-41ff-85e0-b88991abf97c	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T17:12:22.595692+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	643	###################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

643

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
c371c25e-4839-4771-a31c-a395b9b3e06f	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:12:22.996027+00:00
adfb7814-80bd-4ddc-b6d8-ebe03c9588da	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:12:22.874281+00:00
42454943-33cc-4ceb-81f7-e0adc588a581	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:12:22.766289+00:00
865e9d0a-42fc-418d-8b8b-96bf6bfbecfb	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:12:22.680195+00:00
f0ab6262-fb45-41ff-85e0-b88991abf97c	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:12:22.595692+00:00
b420f86c-542d-4bf8-a506-4de74cf7fa03	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:12:22.406998+00:00
17d5a558-968c-4216-9eec-0dc0dad387d9	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:12:22.319275+00:00
127c41a2-7dd0-4859-99a2-57da0ad6d4f2	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:12:22.214581+00:00
2b85e8e1-fc27-4be2-9ead-3389fa634073	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:12:22.137382+00:00
a23e1faa-bd5b-41b7-be60-94d9526b1562	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:12:22.068683+00:00

Cost Frontier

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