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: 3a35737d-b4fb-43ac-b9e1-c2f00be9b8d3 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-28T00:19:01.306969+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
3a35737d-b4fb-43ac-b9e1-c2f00be9b8d3	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:19:01.306969+00:00
930f18a6-617d-4b93-ac6c-82e2f4aa5da0	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:19:01.247944+00:00
5e56c2f3-d508-499a-be40-4cc0982eea64	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:19:01.187254+00:00
c4cee83e-5696-4b93-8b42-f077fe1bd4ba	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:19:01.107483+00:00
5733e9f0-9ea1-47fe-99e0-c849712951a9	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:19:01.047220+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	893	#############################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

893

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
3a35737d-b4fb-43ac-b9e1-c2f00be9b8d3	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:19:01.306969+00:00
930f18a6-617d-4b93-ac6c-82e2f4aa5da0	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:19:01.247944+00:00
5e56c2f3-d508-499a-be40-4cc0982eea64	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:19:01.187254+00:00
c4cee83e-5696-4b93-8b42-f077fe1bd4ba	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:19:01.107483+00:00
5733e9f0-9ea1-47fe-99e0-c849712951a9	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:19:01.047220+00:00
a0dc5e2b-a00a-497a-af2c-3b5b85f7da13	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:19:00.987165+00:00
a7ecb41d-ed9f-43da-8b39-1da32b89d6bf	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:19:00.901113+00:00
d36bd47c-7ccb-4d96-ae6d-3a2b1b310549	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:19:00.810340+00:00
5ca87319-e818-4a47-b818-0fc3d05af101	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:19:00.746894+00:00
ff34fc66-bbce-4d8c-bf8e-72a29e212eb4	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:19:00.686335+00:00

Cost Frontier

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