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: ed9c1386-dd0f-4bbc-b5ca-ae1bba42ab5b | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-28T00:24:08.152723+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
ed9c1386-dd0f-4bbc-b5ca-ae1bba42ab5b	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:24:08.152723+00:00
1b376d32-94c1-4067-9f54-79321830d502	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:24:08.086568+00:00
d4658e3f-c6a9-4fa4-9e80-7b5131286c40	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:24:08.007734+00:00
b6042fae-1315-4b63-8cee-81073312a05e	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:24:07.925191+00:00
2cabe75f-6e30-4557-ad03-8d116af74f77	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:24:07.858759+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	940	############################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

940

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
ed9c1386-dd0f-4bbc-b5ca-ae1bba42ab5b	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:24:08.152723+00:00
1b376d32-94c1-4067-9f54-79321830d502	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:24:08.086568+00:00
d4658e3f-c6a9-4fa4-9e80-7b5131286c40	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:24:08.007734+00:00
b6042fae-1315-4b63-8cee-81073312a05e	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:24:07.925191+00:00
2cabe75f-6e30-4557-ad03-8d116af74f77	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:24:07.858759+00:00
88e9a1da-f122-4965-bd44-430c3386d5ea	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:24:07.789139+00:00
50500f61-2288-4238-86b6-6a8cefa2eb0d	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:24:07.720965+00:00
92753e74-5ee0-4495-ad84-7f20e77e7948	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:24:07.632329+00:00
2eb24bff-683d-4d94-82f7-5af8333d76f9	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:24:07.552573+00:00
ed20068d-36ec-4435-baed-a975959e4d4a	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:24:07.479176+00:00

Cost Frontier

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