INDEX
Negative Logits
-demand
-0.09
Cru
-0.09
Demand
-0.09
amado
-0.08
Crypt
-0.08
Inet
-0.08
Demand
-0.08
-growing
-0.08
Inet
-0.08
amad
-0.08
POSITIVE LOGITS
jail
0.09
は禁止
0.08
जेल
0.08
toxic
0.08
a
0.08
jailbreak
0.08
psycho
0.08
↵
0.08
терап
0.08
Jail
0.08
Activations Density 0.939%