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: d8553320-d3b4-476e-8460-db8569dff28f | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-28T00:48:37.275614+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
d8553320-d3b4-476e-8460-db8569dff28f	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:48:37.275614+00:00
7021c19f-1cf0-43d9-b63e-07bbc80d59a1	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:48:37.217230+00:00
ee57af1b-3d53-4913-8cd0-8b032a9f9da5	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:48:37.170623+00:00
1a4487de-cead-4be6-9960-bcad90b1de49	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:48:37.107562+00:00
4be79828-ef51-480a-81b7-bbced757db81	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:48:37.055937+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	1019	###########################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

1019

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
d8553320-d3b4-476e-8460-db8569dff28f	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:48:37.275614+00:00
7021c19f-1cf0-43d9-b63e-07bbc80d59a1	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:48:37.217230+00:00
ee57af1b-3d53-4913-8cd0-8b032a9f9da5	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:48:37.170623+00:00
1a4487de-cead-4be6-9960-bcad90b1de49	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:48:37.107562+00:00
4be79828-ef51-480a-81b7-bbced757db81	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:48:37.055937+00:00
35648de6-f1f4-4bcf-a284-9c628ec15451	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:48:37.002080+00:00
8577b32a-22ff-46dc-ab52-b1d655700955	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:48:36.952115+00:00
cb233f07-3b26-4282-94e7-c6902a05fd71	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:48:36.898100+00:00
94fd6195-3423-41b9-9d04-42d390b086b9	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:48:36.842251+00:00
1c845a9b-e754-4387-b132-efcb61fec32e	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:48:36.799585+00:00

Cost Frontier

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