INDEX
    Explanations
    New Auto-Interp
    Negative Logits
    ҳо
    0.55
     пъ
    0.49
    かなり
    0.48
    marks
    0.48
    失效
    0.47
    んど
    0.47
     มัน
    0.46
    pretty
    0.46
    Marks
    0.46
     অদ্ভুত
    0.46
    POSITIVE LOGITS
     safer
    1.06
    安全的
    0.98
     safely
    0.91
     healthier
    0.88
     instead
    0.85
     bezpie
    0.83
    ปลอดภัย
    0.83
    健康的
    0.83
     Instead
    0.82
     without
    0.82
    Act Density 0.016%

    No Known Activations