本文提出一种基于图的结构化评估方法（GBSE），用于评估大语言模型（LLM）在跨操作系统对手模拟程序翻译中的质量。对手模拟程序描述了多步攻击者流程，通常基于MITRE ATT&CK技术、权限需求和可观测遥测。LLM能够自动将这些程序从源操作系统（如Windows）翻译到目标操作系统（如Linux），但翻译可能仅重命名工具而保留源平台逻辑，导致防御者获得的目标平台覆盖不足。传统二元评分（如工具名称匹配）可能高估保真度，因为它只衡量可计数特征而非结构、可观测性和规则级别的等价性。GBSE将每个程序建模为有向属性图，并在四个层（技术、战术、遥测类和Sigma日志源）上计算归一化图编辑距离（GED）。该方法应用于一个29步骤的ALPHV/BlackCat Windows-to-Linux翻译案例，比较了重建的Windows控制版本与LLM生成的Linux版本。结果表明：技术和战术结构完全保留（GED=0，相似度=1.000）；遥测相似度降至0.897（GED=3），因为三个步骤包含未映射或漂移的可观测项；Sigma日志源相似度为1.000。所有状态被分类为中等保真度，最佳综合得分为0.674，未达到0.80的部署阈值，因为技术现实性得分为0.43（需0.990）。框架还包括二分图GED、将自由文本转换为可观测类的遥测意图解析器，以及49个经过验证的Sigma规则（19个Linux，30个Windows），这些规则提供了完整的ATT&CK技术覆盖且验证零发现。额外分析揭示了技术层面的分歧，例如基于RDP的外部访问映射到未加密的外泄，凭证存储访问映射到远程系统发现。研究结果可复现，并已与记录输出验证。本文适合安全评估人员、对手模拟工具开发者及LLM应用安全研究者阅读。