📣НОВИЙ ПАПІР! Що міститься в моїх людських відгуках? (ВІМХФ) 🔦 Людський зворотний зв'язок може спричинити несподівані/шкідливі зміни в LLM, такі як надмірна самовпевненість або підлабузництво. Як ми можемо передбачити цю поведінку заздалегідь? Використовуючи SAE, WIMHF автоматично витягує ці сигнали з даних про переваги.