يقدم هذا البحث أربعة عشر مجموعة بيانات جديدة لتقدير سلامة نماذج اللغات الكبيرة في سياق المهام المؤسسية. تم وضع طريقة لتقييم سلامة النموذج، والتي تحدد بقدرته على اتباع التعليمات وإنتاج محتوى واقعي وموضوعي ومعتمد ومناسب. في هذه الدراسة، استخدمنا نموذج OpenAI GPT كنقطة مقارنة لأنه يتفوق على جميع مستويات السلامة. من الجانب المفتوح المصدر، بالنسبة للنماذج الأصغر، يؤدي Meta Llama2 بشكل جيد فيما يتعلق بالواقعية والسمومية ولكنه لديه أعلى ميل للوهم (hallucination). أما Mistral فتقوم بأقل نسبة من الوهم ولكنها لا تستطيع التعامل مع السمومية بشكل جيد. تؤدي بشكل جيد في مجموعة البيانات التي تجمع بين عدة مهام وعوامل سلامة في مجال ضيق. أما Gemma، وهي النموذج الجديد المفتوح المصدر المستند إلى Google Gemini، فهي متوازنة بشكل عام ولكنها تتأخر قليلاً. عند المشاركة في المحادثات ذهابًا وإيابًا (المحفزات المتعددة الأدوار)، نجد أن سلامة النماذج المفتوحة المصدر تنخفض بشكل كبير. عدا نموذج GPT الخاص بـ OpenAI، فإن Mistral هي النموذج الوحيد الذي ما زال يؤدي بشكل جيد في الاختبارات المتعددة الأدوار.