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: 9b630bc8-6b0a-4185-9007-2e1ed21c9c27 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-28T00:42:46.510540+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
9b630bc8-6b0a-4185-9007-2e1ed21c9c27	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:42:46.510540+00:00
5841ce19-c733-4016-a834-3d9a4430a6b5	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:42:46.452464+00:00
69330e50-2ab5-4f6f-81a4-150f286d1f8b	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:42:46.384852+00:00
1efd2684-a661-489a-a3f6-ed545b2293ed	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:42:46.320462+00:00
294a8ed4-9eb0-41a6-8617-68b47dd9fec4	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:42:46.264117+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	955	###########################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

955

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
9b630bc8-6b0a-4185-9007-2e1ed21c9c27	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:46.510540+00:00
5841ce19-c733-4016-a834-3d9a4430a6b5	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:46.452464+00:00
69330e50-2ab5-4f6f-81a4-150f286d1f8b	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:46.384852+00:00
1efd2684-a661-489a-a3f6-ed545b2293ed	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:46.320462+00:00
294a8ed4-9eb0-41a6-8617-68b47dd9fec4	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:46.264117+00:00
349f5d4d-7e1b-431f-a369-bea68fde1a06	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:46.202418+00:00
fc96419e-9210-407e-ada9-33c54e30fc74	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:46.151811+00:00
0267a1a1-94fb-4e30-a417-c266b77853f4	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:46.104224+00:00
7ea178a7-0f79-4efd-9a85-414fee9550af	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:46.056645+00:00
eca3c305-a110-4b0f-991c-8f9e7462cc1e	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:46.010602+00:00

Cost Frontier

pass_rate vs cost_usd (Pareto frontier marked with *)
* [####################] 100.0% @ $0.0048  (coder)