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: d9729952-b2c9-473c-b9e6-3dd46989d17e | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-28T00:42:53.264986+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
d9729952-b2c9-473c-b9e6-3dd46989d17e	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:42:53.264986+00:00
9df241f8-7077-4b0e-a929-c28f52991544	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:42:53.201593+00:00
e4920b45-652b-4d0f-84d6-aa09a5b23075	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:42:53.153489+00:00
1fb3a82a-f0f3-4d3b-abcc-76bb4f430556	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:42:53.074526+00:00
29b9952d-be17-467c-857c-c7e5cf93abcc	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:42:53.015458+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	987	###########################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

987

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
d9729952-b2c9-473c-b9e6-3dd46989d17e	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:53.264986+00:00
9df241f8-7077-4b0e-a929-c28f52991544	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:53.201593+00:00
e4920b45-652b-4d0f-84d6-aa09a5b23075	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:53.153489+00:00
1fb3a82a-f0f3-4d3b-abcc-76bb4f430556	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:53.074526+00:00
29b9952d-be17-467c-857c-c7e5cf93abcc	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:53.015458+00:00
d67a8f44-681a-4704-bac3-9a8b4f2fa25f	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:52.931557+00:00
43423f5b-3b0a-4b42-ae7e-edbd1f0a43aa	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:52.869220+00:00
3b65a46d-f1f4-4c34-b621-4f6da448aeeb	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:52.785852+00:00
75392ed0-ea4f-4aae-b500-6cff2967fab5	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:52.717203+00:00
978f47c0-b955-476f-92f0-6b95372e46dd	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:52.639038+00:00

Cost Frontier

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