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: f01e9f03-b43a-4ffc-90d6-225b4f21a5e3 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-28T00:09:08.864666+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
f01e9f03-b43a-4ffc-90d6-225b4f21a5e3	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:09:08.864666+00:00
51adb134-f9e1-4345-a567-ae6e2e077953	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:09:08.780054+00:00
2b13a34f-8f24-457f-862e-c4239c17f6fc	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:09:08.713483+00:00
8909c951-6f70-4bd8-a5cd-b426512ca1f8	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:09:08.640041+00:00
5efa0bb9-5047-4ecf-b583-fd768f52aba6	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:09:08.568292+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	767	###############################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

767

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
f01e9f03-b43a-4ffc-90d6-225b4f21a5e3	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:09:08.864666+00:00
51adb134-f9e1-4345-a567-ae6e2e077953	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:09:08.780054+00:00
2b13a34f-8f24-457f-862e-c4239c17f6fc	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:09:08.713483+00:00
8909c951-6f70-4bd8-a5cd-b426512ca1f8	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:09:08.640041+00:00
5efa0bb9-5047-4ecf-b583-fd768f52aba6	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:09:08.568292+00:00
8dff3129-a049-461a-89a1-c01f3224efd1	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:09:08.498455+00:00
522700d5-b023-467c-9905-1a7c9a356bfc	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:09:08.433007+00:00
a681a556-1537-4ce7-be70-5d85a66f95ae	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:09:08.357304+00:00
e273a66d-89b8-42ba-8043-ecc0c679bae3	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:09:08.277744+00:00
73760279-f44f-4466-8350-8eb2f5dbe5b8	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:09:08.205378+00:00

Cost Frontier

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