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: c7caaa39-37aa-4172-8432-897c306459c1 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-27T17:10:39.731729+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
c7caaa39-37aa-4172-8432-897c306459c1	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T17:10:39.731729+00:00
78203e98-3599-479f-80da-bc0b7cfab9cf	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T17:10:39.633930+00:00
8849bcca-736f-47fd-a208-83b222d4dc5b	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T17:10:39.557924+00:00
a0153e2a-8cb6-4b07-a377-60fc89370969	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T17:10:39.481925+00:00
bf9911cc-9580-4d64-b3fb-3c0e24899502	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T17:10:39.392108+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	611	###################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

611

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
c7caaa39-37aa-4172-8432-897c306459c1	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:10:39.731729+00:00
78203e98-3599-479f-80da-bc0b7cfab9cf	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:10:39.633930+00:00
8849bcca-736f-47fd-a208-83b222d4dc5b	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:10:39.557924+00:00
a0153e2a-8cb6-4b07-a377-60fc89370969	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:10:39.481925+00:00
bf9911cc-9580-4d64-b3fb-3c0e24899502	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:10:39.392108+00:00
47816fb1-db20-416d-bf86-f4b96c1aec72	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:10:39.318163+00:00
3659406a-f3dd-4e7e-918e-5ce57507aca0	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:10:39.226973+00:00
153321f9-3b4d-4743-b631-051d5299b6bc	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:10:39.098331+00:00
0c6b1abc-f113-4980-b2fe-791341d237f0	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:10:39.004370+00:00
9eb9f3b1-a407-4380-8fa2-793c890f3b2f	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:10:38.925632+00:00

Cost Frontier

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