📣NOVÝ PAPÍR! Co je v mé lidské zpětné vazbě? (WIMHF) 🔦 Lidská zpětná vazba může vyvolat neočekávané/škodlivé změny LLM, jako je přehnaná sebedůvěra nebo patolízalství. Jak můžeme předpovědět toto chování předem? Pomocí SAE WIMHF automaticky extrahuje tyto signály z preferenčních dat.