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: 1218a77b-da8b-48fe-b9ac-25da8dbfaff7 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-27T17:12:20.289231+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
1218a77b-da8b-48fe-b9ac-25da8dbfaff7	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T17:12:20.289231+00:00
5d37bdc5-f971-4876-ba3c-6cc2c4b45c08	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T17:12:20.195154+00:00
5898099f-1e53-42c6-94ea-15a97372db69	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T17:12:19.973185+00:00
73a40d7f-fae9-46dc-bcfc-748cee189853	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T17:12:19.811426+00:00
4284beda-789b-4847-9394-6f7383de4a39	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-27T17:12:19.704859+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	626	##################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

626

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
1218a77b-da8b-48fe-b9ac-25da8dbfaff7	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:12:20.289231+00:00
5d37bdc5-f971-4876-ba3c-6cc2c4b45c08	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:12:20.195154+00:00
5898099f-1e53-42c6-94ea-15a97372db69	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:12:19.973185+00:00
73a40d7f-fae9-46dc-bcfc-748cee189853	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:12:19.811426+00:00
4284beda-789b-4847-9394-6f7383de4a39	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:12:19.704859+00:00
8e8b6455-238d-43b8-b8ae-ed5d6c64330f	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:12:19.585701+00:00
452342d9-24b2-4f38-99cb-1a793ecfcc3f	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:12:19.414311+00:00
0ae3feea-8a4e-4ed1-a9c9-265662f2002d	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:12:19.256909+00:00
f187de59-82af-4d96-b323-0eb3297e03b7	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:12:19.087981+00:00
43215986-ca89-4190-a400-8e19c776f044	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-27T17:12:18.873370+00:00

Cost Frontier

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