CapabilityScore(system, capability) = Σ(w_b × score_b) / Σ(w_b available)

• נתון חסר אינו מקבל אפס ואינו מוחלף בממוצע, הוא רק מקטין את הכיסוי.
• משקל מצטבר של מדדים שנשפטים בידי מודל מוגבל ל25% בתוך היכולת.
• מדדים שמודדים כמעט אותו דבר אינם נספרים פעמיים: איחוד לפי הגדרת מדד, גרסה ופרוטוקול.

ProfessionFit(system, profession) = Σ(W_c × CapabilityScore) / Σ(W_c available)

כמות המדדים שפורסמו על מודל תלויה בספק ולא באיכות המודל, ולכן סף ההמלצה נקבע יחסית לכיסוי הטוב ביותר שקיים בפועל באותה השוואה, עם רצפה מוחלטת שמונעת דירוג על סמך רשומה בודדת. מתחת לסף מוצג „אין מספיק מדדים כדי לדרג בביטחון”.

ציון שנשען על מעט מדדים נמשך לעבר ממוצע הקבוצה, כדי שמודל לא יעלה לראש בזכות מספר קטן של תוצאות נוחות. כשההפרש בין מקומות קטן מרזולוציית המדד, המערכות מסומנות כ„צמודים”.

מדדים שבודקים תוצר מקצועי שלם משמשים לאימות תוקף חיצוני בלבד, ולא כמדד נוסף באותה סכימה. בנוסף נקלט LiveBench, לוח עצמאי שמריץ את כל המודלים על אותה סוללת משימות, ולכן הוא משמש עוגן השוואתי בין מודלים שמפרסמים כמויות שונות של תוצאות.

משקל אפס פירושו שהמדד מתועד ברישום אך אינו משפיע על ציון: מדדים בבדיקה ומדדים תפעוליים.

כיסוי ההקשר הישראלי עדיין חלקי. הציון אינו בודק באופן מקיף חוק ישראלי, מיסוי, רפואה, רגולציה או מידע עדכני בישראל.

ציון העברית וציון ההקשר הישראלי מוצגים תמיד בנפרד ואינם נכנסים לציון ההתאמה המקצועית ולא לסולם המדדים: מדדי שפה אינם מודדים את המשימה המקצועית עצמה. הם מוצגים כנתון נלווה לכל מערכת, ורק כאשר קיימת עבורם מדידה בפועל.

• מחיר וזמן תגובה הם נתוני תפעול. הם מוצגים בטאב נפרד ואינם משנים את ציון האיכות.
• העדפת משתמשים היא אות לאיכות נתפסת, לא הוכחה לדיוק. משקלה מוגבל.
• ציונים שדווחו על ידי היצרן עצמו אינם נחשבים מדידה עצמאית.

Profession-deliverable benchmarks such as GDPval validate external validity and do not get naively added as duplicate capability evidence.