लेखकों ने एक एक्शन-ग्रेडेड हर्म रूब्रिक पेश किया है जो वापसीयोग्यता, स्कॉप क्रॉसिंग और प्राइविलेज एक्सपेंशन के आधार पर सात-स्तरीय ऑर्डिनल स्केल (L0 से L6) पर एक एजेंट के टूल-कॉल ट्रेजेक्ट्री को स्कोर करता है। यह दृष्टिकोण विस्तृत गंभीरता जानकारी प्रदान करके एजेंटिक रेड-टीमिंग बेंचमार्क्स में बाइनरी अटैक-सक्सेस रेट्स की सीमा को संबोधित करता है।
स्केल का गणन एक निर्धारक ऑरेकल और फ्रंटियर लैंग्वेज-मॉडल जजों के तीन सदस्यों वाले पैनल दोनों का उपयोग करके किया जाता है। एजेंटडोज़ो वर्कस्पेस सूट पर चार विक्टिम मॉडल्स और दो डिफेंसेज़ पर, ग्रेडिंग ने बाइनरी मेट्रिक्स द्वारा छिपे मामलों को उजागर किया, जैसे कि एक डिफेंस जो शून्य अटैक सक्सेस के बावजूद क्रॉस-स्कॉप लीक्स की अनुमति देता है। जज पैनल ने ऑरेकल के साथ उच्च ऑर्डिनल सहमति हासिल की (क्रिप्पेंडॉर्फ का अल्फा = 0.91) लेकिन सिस्टेमैटिक ब्लाइंड स्पॉट्स भी दिखाए, जैसे कि एस्केलेशन चेन को पहचानने में विफलता।
पूर्व कार्य के विपरीत जो हर्म टैक्सोनोमीज़ या सिम्युलेशन प्रदान करता है, यह योगदान एक पुनः उपयोग योग्य, ट्रेस-ग्राउंडेड गंभीरता उपकरण प्रदान करता है जो वास्तविक रेड-टीम लॉग्स पर लागू किया गया है, और सभी कोड और प्रॉम्प्ट जारी किए गए हैं।