Los autores introducen una rúbrica de daño graduada por acción que puntúa la trayectoria de llamadas a herramientas de un agente en una escala ordinal de siete niveles (L0 a L6) basada en la reversibilidad, el cruce de ámbitos y la expansión de privilegios. Este enfoque aborda la limitación de las tasas de éxito binarias de ataques en benchmarks de red-teaming agéntico al proporcionar información detallada sobre la severidad.
La escala se calcula utilizando tanto un oráculo determinista como un panel de tres jueces basados en modelos de lenguaje de vanguardia. En cuatro modelos víctima y dos defensas del conjunto de espacios de trabajo AgentDojo, la graduación expuso casos ocultos por métricas binarias, como una defensa que permite fugas entre ámbitos a pesar de tener cero éxito de ataque. El panel de jueces logró un alto acuerdo ordinal con el oráculo (alfa de Krippendorff = 0,91) pero exhibió puntos ciegos sistemáticos, como fallar en reconocer cadenas de escalación.
A diferencia del trabajo previo que ofrece taxonomías de daño o simulación, esta contribución proporciona un instrumento de severidad reutilizable y basado en trazas reales aplicado a registros reales de red-teaming, con todo el código y los prompts liberados.