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: cdfed307-1462-41c5-bd8d-6f17baa7c259 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-28T00:05:49.046450+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
cdfed307-1462-41c5-bd8d-6f17baa7c259	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:05:49.046450+00:00
0732b8bf-d101-4108-b013-16b2f465efbc	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:05:48.973036+00:00
c892a541-2dd9-40ae-bce6-a3d70368351f	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:05:48.909668+00:00
7eb9f3be-f316-4826-8e69-35150b2ce283	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:05:48.814645+00:00
5a1aa09e-3015-448b-b1a7-f35625afd172	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:05:48.728083+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	720	################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

720

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
cdfed307-1462-41c5-bd8d-6f17baa7c259	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:49.046450+00:00
0732b8bf-d101-4108-b013-16b2f465efbc	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:48.973036+00:00
c892a541-2dd9-40ae-bce6-a3d70368351f	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:48.909668+00:00
7eb9f3be-f316-4826-8e69-35150b2ce283	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:48.814645+00:00
5a1aa09e-3015-448b-b1a7-f35625afd172	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:48.728083+00:00
d271491c-aa91-49e2-937f-c5fb0739dff6	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:48.648654+00:00
65c9b212-2cfb-413c-97ba-e34eab9c2fdd	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:48.561754+00:00
3b265628-3e1a-4521-aa68-3872d34b49a8	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:48.501528+00:00
c781c2f9-dcb9-4a6c-a6d6-4d23e385ee1d	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:48.432307+00:00
21f1ef08-bcdf-4c73-936d-a7487972345e	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:48.359473+00:00

Cost Frontier

pass_rate vs cost_usd (Pareto frontier marked with *)
* [####################] 100.0% @ $0.0050  (coder)