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: a58f2444-2268-431e-a0c5-a2cf14bd1359 | Latest model: coder | Latest score: 0.740 | Recorded at: 2026-04-28T00:42:48.136359+00:00

Recent Trend

Run ID	Model	Git SHA	Score	Created
a58f2444-2268-431e-a0c5-a2cf14bd1359	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:42:48.136359+00:00
20600e43-4b82-48f6-8b1e-08e5ee6c62cb	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:42:48.080382+00:00
fb826bf7-8084-4dcf-bd9c-2bc7c4fe9fb5	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:42:48.023985+00:00
9c3def3d-38f3-46da-b8f1-ddc10bfabfae	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:42:47.965394+00:00
b78f0894-6cbc-4c26-8f70-f3e4e4fa8647	coder	4669773b4fbe9d507f1396f38777a1b36998faf3	0.740	2026-04-28T00:42:47.914210+00:00

Failure Breakdown

Taxonomy	Failures	Bar
wrong-logic	972	############################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################################

Taxonomy

Failures

Bar

wrong-logic

972

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

Recent Failures

Run ID	Task ID	Taxonomy	Score	Cost	Created
a58f2444-2268-431e-a0c5-a2cf14bd1359	python-recovery-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:48.136359+00:00
20600e43-4b82-48f6-8b1e-08e5ee6c62cb	typescript-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:48.080382+00:00
fb826bf7-8084-4dcf-bd9c-2bc7c4fe9fb5	python-config-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:48.023985+00:00
9c3def3d-38f3-46da-b8f1-ddc10bfabfae	typescript-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:47.965394+00:00
b78f0894-6cbc-4c26-8f70-f3e4e4fa8647	python-refactor-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:47.914210+00:00
b0553ea7-1a75-4559-8415-62462eb92ba1	typescript-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:47.846936+00:00
1c897789-68fe-493a-b739-c71e11fc6e80	python-multi-file-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:47.775398+00:00
fa6db0d3-e3e6-4382-a76d-c494c78473a4	typescript-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:47.684244+00:00
a4004ff6-2769-4c64-946c-69f5cbd4ad2b	python-test-writing-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:47.627397+00:00
fed31c7e-c762-4e87-884d-8c90eea81967	typescript-performance-easy-001	wrong-logic	0.740	$0.0010	2026-04-28T00:42:47.576856+00:00

Cost Frontier

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