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: 8e48643d-fb73-491d-ad41-89d2ac676e86 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-28T00:48:35.572694+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
8e48643d-fb73-491d-ad41-89d2ac676e86	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:48:35.572694+00:00
768623ac-8786-44e9-a18c-5f50c8045ce5	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:48:35.503321+00:00
f171d996-a790-4fb1-9660-e6e83783c097	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:48:35.449384+00:00
431c7c83-9266-4dbe-85db-4ea048384c66	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:48:35.369102+00:00
b1662dd9-0931-4f52-a463-8387c15b0fec	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:48:35.313613+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1002	##########################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1002

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
8e48643d-fb73-491d-ad41-89d2ac676e86	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:48:35.572694+00:00
768623ac-8786-44e9-a18c-5f50c8045ce5	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:48:35.503321+00:00
f171d996-a790-4fb1-9660-e6e83783c097	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:48:35.449384+00:00
431c7c83-9266-4dbe-85db-4ea048384c66	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:48:35.369102+00:00
b1662dd9-0931-4f52-a463-8387c15b0fec	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:48:35.313613+00:00
76436355-6f68-4059-a38d-384ab7cc933f	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:48:35.235891+00:00
7c5dacbe-8c35-47bb-8906-426fb83e211f	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:48:35.176527+00:00
6d183e2b-9057-4af6-9ca1-274961c57285	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:48:35.108721+00:00
41fa1888-0ff6-47fc-b13e-4f91b1ac6d0e	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:48:35.069300+00:00
1bef9d3f-4f8a-4859-8aba-565b739bf0f5	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:48:35.020278+00:00

Cost Frontier

pass_rate vs cost_usd (Pareto frontier marked with *)
* [####################] 100.0% @ $0.0047  (coder)