INDEX
Explanations
military-related dialogue and commands
New Auto-Interp
Negative Logits
жив
-0.16
_TYPED
-0.15
ffi
-0.15
иÑĤив
-0.14
åĺĽ
-0.13
rud
-0.13
fut
-0.13
ColumnName
-0.13
ASK
-0.12
ask
-0.12
POSITIVE LOGITS
ibase
0.21
Bravo
0.21
Charlie
0.19
ETA
0.19
Alpha
0.18
Romeo
0.18
Charlie
0.18
eta
0.18
Fo
0.18
ETA
0.17
Activations Density 0.116%