Gemma Scope Sparse Autoencoder Features
收藏arXiv2025-09-30 收录
下载链接：
https://github.com/DalasNoin/cot_monitoring_environment
下载链接
链接失效反馈官方服务：
资源简介：
该数据集包含了167个欺骗性特征和269个非欺骗性特征，用于测试人工智能代理在生成欺骗性解释时的可扩展性。数据集包含了每个特征高激活和最小激活的示例，这为详细分析人工智能代理的欺骗行为提供了可能。总体而言，这是一个大型的数据集，总共包含436个特征（167个欺骗性和269个非欺骗性特征），其任务是对人工智能代理在生成欺骗性解释的同时规避检测的能力进行评估。
提供机构：
Neuronpedia
