INDEX

Explanations

code snippets and abbreviations

New Auto-Interp

Configuration

Prompts (Dashboard)

238,145 prompts, 512 tokens each

Dataset (Dashboard)

lmsys + oasst1

Embeds

IFrame

Link

Not in Any Lists

No Comments

Negative Logits

 Tochter

0.23

女儿

0.22

延伸

0.22

Nicht

0.22

結晶

0.22

槨

0.22

 همچنین

0.22

 ഹോളി

0.22

 хочет

0.22

 மேற்பர

0.21

POSITIVE LOGITS

↵

0.30

mr

0.27

eval

0.23

0.22

val

0.22

cc

0.22

df

0.22

0.21

all

0.21

edu

0.21

Activations Density 0.421%