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: 0871c4bf-047b-4789-9638-e2eef84e3a8b | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-28T00:05:51.086821+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
0871c4bf-047b-4789-9638-e2eef84e3a8b	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:05:51.086821+00:00
267532f7-449f-4c3b-9aaa-f7bd58318eb6	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:05:50.978000+00:00
2ed3d6c5-bc11-42ef-a8fd-97e17663cef6	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:05:50.914370+00:00
3eafb4b1-5951-4e55-bf56-8450f730ad3f	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:05:50.843753+00:00
98effb97-206e-47f1-860e-02e6a4fa8b31	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:05:50.771038+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	737	#################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

737

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
0871c4bf-047b-4789-9638-e2eef84e3a8b	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:51.086821+00:00
267532f7-449f-4c3b-9aaa-f7bd58318eb6	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:50.978000+00:00
2ed3d6c5-bc11-42ef-a8fd-97e17663cef6	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:50.914370+00:00
3eafb4b1-5951-4e55-bf56-8450f730ad3f	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:50.843753+00:00
98effb97-206e-47f1-860e-02e6a4fa8b31	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:50.771038+00:00
a3e08e35-8d2a-4fd2-9538-4096c81f4eab	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:50.699213+00:00
dc64576a-7c16-49e5-a7b0-3deb34f694d1	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:50.636584+00:00
4983e1b2-bce3-41b2-90d9-50abe3c6951b	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:50.572589+00:00
17291fab-d108-44aa-b7e7-f56d43bf8bdc	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:50.492010+00:00
e79a9235-2801-411c-946c-3565e25a18f6	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:05:50.408140+00:00

Cost Frontier

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