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: 0fc95dd3-a4a7-463b-b91d-aec24faa3d93 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-28T00:48:47.217194+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
0fc95dd3-a4a7-463b-b91d-aec24faa3d93	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:48:47.217194+00:00
8ca5c7b0-b984-44dc-9973-12036061170c	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:48:47.082605+00:00
9843da39-6c24-46f9-80c5-8e4123e11142	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:48:46.930423+00:00
c43728d0-6b88-4206-a8eb-9051abb0bbfe	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:48:46.787177+00:00
c1773940-be87-4166-94c6-647a8ab20f25	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:48:46.640721+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1034	##########################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1034

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
0fc95dd3-a4a7-463b-b91d-aec24faa3d93	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:48:47.217194+00:00
8ca5c7b0-b984-44dc-9973-12036061170c	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:48:47.082605+00:00
9843da39-6c24-46f9-80c5-8e4123e11142	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:48:46.930423+00:00
c43728d0-6b88-4206-a8eb-9051abb0bbfe	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:48:46.787177+00:00
c1773940-be87-4166-94c6-647a8ab20f25	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:48:46.640721+00:00
271c5cc2-ebf2-401a-a023-7d5d5481ed73	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:48:46.509193+00:00
fa97ec00-f90e-4f8c-85b9-d8873b71f74b	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:48:46.310277+00:00
ad210cf8-34c2-439e-9b91-9bf907282cb5	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:48:46.116688+00:00
34c4efc5-184c-4966-9def-475d2dbb8430	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:48:45.975627+00:00
7e70a5ec-77fb-439f-86a7-f8a68c8652c1	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:48:45.737576+00:00

Cost Frontier

pass_rate vs cost_usd (Pareto frontier marked with *)
* [####################] 100.0% @ $0.0047  (coder)