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: bf191ec7-051f-48fd-9ae0-112a74c8c261 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-28T00:09:11.255709+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
bf191ec7-051f-48fd-9ae0-112a74c8c261	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:09:11.255709+00:00
88054436-a592-4e18-a941-e20f43278f59	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:09:11.175528+00:00
cb94d027-d1ca-44e1-bdb4-cdc0faa92e2e	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:09:11.110092+00:00
64dbb3ab-c530-45d1-9b6b-260314403477	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:09:11.030082+00:00
28e0db14-cf71-43bc-aaa6-3f47f014e869	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:09:10.959829+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	784	################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

784

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
bf191ec7-051f-48fd-9ae0-112a74c8c261	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:09:11.255709+00:00
88054436-a592-4e18-a941-e20f43278f59	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:09:11.175528+00:00
cb94d027-d1ca-44e1-bdb4-cdc0faa92e2e	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:09:11.110092+00:00
64dbb3ab-c530-45d1-9b6b-260314403477	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:09:11.030082+00:00
28e0db14-cf71-43bc-aaa6-3f47f014e869	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:09:10.959829+00:00
0ae6037c-e33d-4eeb-9d59-eb0b1669479c	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:09:10.880355+00:00
bdf1e19b-f255-4570-9217-76b4ea9db7cf	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:09:10.793925+00:00
1598f302-f650-410d-8989-7bee6b42e97b	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:09:10.726502+00:00
31849c09-8c5c-4333-bc5a-8dc0ba96c451	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:09:10.661016+00:00
339bbec1-6478-4b1e-adc7-27a9880f819f	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:09:10.594381+00:00

Cost Frontier

pass_rate vs cost_usd (Pareto frontier marked with *)
* [####################] 100.0% @ $0.0049  (coder)