INDEX
Negative Logits
↵↵
0.75
.
0.61
↵
0.59
placebo
0.59
Foi
0.58
us
0.57
:
0.57
fino
0.56
Festa
0.55
Kandid
0.54
POSITIVE LOGITS
COLOG
0.63
ścic
0.59
ట
0.57
cored
0.57
город
0.56
𝒄
0.55
rystall
0.55
циони
0.55
टे
0.54
aic
0.52
Activations Density 0.009%