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: 15bb808c-e10a-4f61-be56-08941cd85960 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-27T16:59:03.411275+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
15bb808c-e10a-4f61-be56-08941cd85960	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:59:03.411275+00:00
dc9d98ab-f3ca-4b1e-8901-e9718604469a	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:59:03.325852+00:00
99c43579-5979-4f0e-a5c2-ac2263808076	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:59:03.235451+00:00
74484504-d8b2-483b-8aad-dad2076e6702	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:59:03.168389+00:00
cb308ad0-b63a-486d-9290-bca6d58a3e8c	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T16:59:03.094487+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	564	####################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

564

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
15bb808c-e10a-4f61-be56-08941cd85960	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:59:03.411275+00:00
dc9d98ab-f3ca-4b1e-8901-e9718604469a	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:59:03.325852+00:00
99c43579-5979-4f0e-a5c2-ac2263808076	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:59:03.235451+00:00
74484504-d8b2-483b-8aad-dad2076e6702	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:59:03.168389+00:00
cb308ad0-b63a-486d-9290-bca6d58a3e8c	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:59:03.094487+00:00
22092d5b-3d56-46e3-8973-466c99df8d30	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:59:03.036883+00:00
cbf76568-ae82-423d-8f87-b4b7cb0eab6e	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:59:02.962148+00:00
a29531e5-f7ed-4777-b9c0-720151192473	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:59:02.889294+00:00
d85fabbc-cdbf-4c05-ac05-195cf4af0ce2	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:59:02.825399+00:00
35000718-74c3-4d6b-a240-bbf5cca8710f	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T16:59:02.749838+00:00

Cost Frontier

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