Gemma-2B Residual Stream Features

该数据集包含了从Gemma-2B模型的预训练稀疏自动编码器（SAE）中提取的特征，这些特征可用于操纵迭代囚犯困境（IPD）中转换器层的激活，以引导代理的行为。此外，这些特征被用于在类似游戏的设置中引导模型的生成，朝着期望的行为方向发展，特别是在IPD背景下关注信任等概念。该数据集规模为16,384个解码特征，其任务是对迭代囚犯困境中的LLM代理进行博弈论评估。