INDEX
Negative Logits
Nederlandse
0.65
Belanda
0.62
Verenigde
0.59
Onder
0.56
Dutch
0.55
Amerikaanse
0.55
Neder
0.55
Amsterdam
0.54
Nederlands
0.54
Europese
0.54
POSITIVE LOGITS
גם
0.50
також
0.48
always
0.48
also
0.47
যদি
0.46
тут
0.46
when
0.46
тільки
0.45
завжди
0.44
también
0.44
Activations Density 0.003%