INDEX
Negative Logits
ا
2.42
ی
1.98
ش
1.84
ции
1.77
า
1.77
দের
1.74
া
1.73
나
1.64
त्
1.59
وم
1.58
POSITIVE LOGITS
ᆹ
1.59
dalam
1.50
্বেও
1.48
lü
1.44
lm
1.43
والصلاه
1.43
theta
1.42
lll
1.41
de
1.38
[^
1.37
Activations Density 0.010%
ا
ی
ش
ции
า
দের
া
나
त्
وم
ᆹ
dalam
্বেও
lü
lm
والصلاه
theta
lll
de
[^