Luna Mendez

~Luna_Mendez1

1

论文总数

1.0

年均投稿

3.0

平均评分

接收情况0/1

会议分布

ICLR

1

发表论文 (1 篇)

20241 篇

Interpreting Reward Models in RLHF-Tuned Language Models Using Sparse Autoencoders

ICLR 2024withdrawn

合作者 (5)

Amir Abdullah1 篇

Fazl Barez1 篇

Luke Marks1 篇

Philip Torr1 篇

Rauno Arike1 篇