📣¡NUEVO DOCUMENTO! ¿Qué hay en mi retroalimentación humana? (WIMHF) 🔦 La retroalimentación humana puede inducir cambios inesperados/perjudiciales en los LLMs, como la sobreconfianza o la adulación. ¿Cómo podemos prever estos comportamientos con antelación? Usando SAEs, WIMHF extrae automáticamente estas señales de los datos de preferencias.