INDEX
Negative Logits
refusal
-0.09
Holden
-0.09
utdown
-0.09
hb
-0.08
отказ
-0.07
prevention
-0.07
PROP
-0.07
refus
-0.07
습
-0.07
planta
-0.07
POSITIVE LOGITS
的问题
0.08
imonial
0.08
réparer
0.08
λοιπόν
0.07
والي
0.07
iped
0.07
kep
0.07
.ball
0.07
ekt
0.07
원하는
0.07
Activations Density 0.004%