Neuronpedia logo - a computer chip with a rounded viewfinder border around it

    Neuronpedia

    INDEX
    Explanations

    multilingual words

    np_max-act-logits · gemini-2.5-flash-lite
    New Auto-Interp
    Negative Logits
    了一些
    0.57
     vuoden
    0.54
     gubern
    0.54
     tahun
    0.52
    冂
    0.51
     vuos
    0.50
     manifestly
    0.48
     sekt
    0.48
     parallèle
    0.48
     seit
    0.47
    POSITIVE LOGITS
     поможет
    0.62
     помогает
    0.56
     hilft
    0.54
     насла
    0.54
     ჩატი
    0.53
     которые
    0.52
     Doesn
    0.52
     lö
    0.52
     сможет
    0.52
     pensez
    0.52
    Act Density 0.001%

    No Known Activations