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: 41f6e544-f9ef-4a96-9f80-341d6717e030 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-28T00:18:53.302265+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
41f6e544-f9ef-4a96-9f80-341d6717e030	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:18:53.302265+00:00
e3b0abc1-6d99-418e-bb91-74a862e5d4fb	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:18:53.224427+00:00
ff324ac3-99f0-4e27-b45a-f66c6c6ace5b	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:18:53.142669+00:00
1090529f-5914-41e1-b45c-16ffd270c7bd	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:18:53.066943+00:00
7d27d79d-1b14-493c-8378-2cd4ec90eb17	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:18:52.969914+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	861	#############################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

861

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
41f6e544-f9ef-4a96-9f80-341d6717e030	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:18:53.302265+00:00
e3b0abc1-6d99-418e-bb91-74a862e5d4fb	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:18:53.224427+00:00
ff324ac3-99f0-4e27-b45a-f66c6c6ace5b	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:18:53.142669+00:00
1090529f-5914-41e1-b45c-16ffd270c7bd	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:18:53.066943+00:00
7d27d79d-1b14-493c-8378-2cd4ec90eb17	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:18:52.969914+00:00
f4e212b5-20fe-42cd-b7ac-b3f873fbef94	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:18:52.894174+00:00
a8f6806b-f005-4c46-8957-6ee7f272f7f3	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:18:52.806501+00:00
914cc740-0cea-4aac-b3ed-fadf245485c8	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:18:52.740924+00:00
3b7dda3f-41f2-4d90-96e5-86f09233a3fa	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:18:52.661091+00:00
f402e51a-65e0-46b6-970d-54976fb5f586	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:18:52.587961+00:00

Cost Frontier

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