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: 925830f8-4e55-4ca7-9b7e-e1b84156e3c9 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-28T00:24:01.894559+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
925830f8-4e55-4ca7-9b7e-e1b84156e3c9	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:24:01.894559+00:00
1ee481b1-a7ca-4019-b6a1-c16ac699ca5b	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:24:01.826268+00:00
ecf0a478-5929-4957-88c7-b31dc377b276	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:24:01.756520+00:00
4f5fc05b-3d4d-4463-bd54-7291dba48308	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:24:01.673779+00:00
6a92010d-7209-45c0-99c2-deeed1e749f4	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:24:01.600169+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	925	#############################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

925

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
925830f8-4e55-4ca7-9b7e-e1b84156e3c9	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:24:01.894559+00:00
1ee481b1-a7ca-4019-b6a1-c16ac699ca5b	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:24:01.826268+00:00
ecf0a478-5929-4957-88c7-b31dc377b276	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:24:01.756520+00:00
4f5fc05b-3d4d-4463-bd54-7291dba48308	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:24:01.673779+00:00
6a92010d-7209-45c0-99c2-deeed1e749f4	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:24:01.600169+00:00
305c8a63-6400-4cf2-9f44-9c5a9fb1fc75	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:24:01.521456+00:00
520f7da1-7193-4355-9842-5d517d4aa124	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:24:01.445614+00:00
eef2d8d8-bd38-4979-b63c-ced39df7bd2b	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:24:01.378919+00:00
d0ec29b9-352a-4ce4-9718-d35b5e7b1b4f	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:24:01.215797+00:00
47f1b474-187a-41c6-9c75-def7397ef141	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:24:01.120202+00:00

Cost Frontier

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