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: 36f9b6fe-4241-47e5-9fc1-617ecffb6fcc | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-28T00:05:56.517003+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
36f9b6fe-4241-47e5-9fc1-617ecffb6fcc	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:05:56.517003+00:00
45c6993a-8bb2-4660-b9af-50b1d1075585	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:05:56.455939+00:00
61c10a40-6c61-4b02-b711-c11f23db127c	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:05:56.399643+00:00
07ed16a1-24b6-4c4f-9f1a-792a4da6305e	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:05:56.348294+00:00
77f3d63f-d8ac-4983-ad44-fe517810debc	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:05:56.288232+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	752	################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

752

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
36f9b6fe-4241-47e5-9fc1-617ecffb6fcc	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:56.517003+00:00
45c6993a-8bb2-4660-b9af-50b1d1075585	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:56.455939+00:00
61c10a40-6c61-4b02-b711-c11f23db127c	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:56.399643+00:00
07ed16a1-24b6-4c4f-9f1a-792a4da6305e	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:56.348294+00:00
77f3d63f-d8ac-4983-ad44-fe517810debc	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:56.288232+00:00
5bfa1d57-e6c8-4dca-abee-d67405af2691	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:56.220296+00:00
c9a6b374-7e80-4452-9c31-bd052d888038	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:56.160418+00:00
6f2b93f1-31b3-4dfa-8cd1-cbcc9bd374a5	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:56.062858+00:00
53df0ca4-be16-4d31-947b-7f38096ca318	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:55.996048+00:00
a133b036-3cbd-4285-8ccc-33cf820038ea	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:55.926779+00:00

Cost Frontier

pass_rate vs cost_usd (Pareto frontier marked with *)
* [####################] 100.0% @ $0.0050  (coder)