Este artículo se centra en la evaluación de técnicas que inducen eficazmente capacidades latentes en sistemas de IA. Considerando el fenómeno de que las capacidades latentes se revelan inesperadamente en modelos existentes, proponemos un nuevo método para entrenar "modelos de lenguaje con capacidades ocultas" que intencionalmente poseen capacidades ocultas. Este método es más robusto a las técnicas de inducción que los modelos existentes protegidos por contraseña. Al comparar y analizar técnicas de inducción de características como la incitación, la dirección de la activación y el ajuste fino, demostramos que la incitación es eficaz para inducir características ocultas en el entorno de respuesta a preguntas de opción múltiple (MCQA), pero el ajuste fino es más efectivo en la tarea de generación de código. Además, sugerimos que la combinación de múltiples técnicas puede aumentar el efecto de la inducción, pero el ajuste fino es el método más adecuado para una evaluación fiable de características.
