INDEX
    Explanations
    New Auto-Interp
    Negative Logits
     Originally
    0.50
    んでいます
    0.48
    Originally
    0.47
     हैं
    0.47
    0.44
     เคย
    0.43
     ursprünglich
    0.42
     당시
    0.41
     है
    0.41
     являются
    0.41
    POSITIVE LOGITS
     seemed
    0.52
     grinned
    0.49
     smiled
    0.47
     chuckled
    0.47
     echoed
    0.46
     laughed
    0.42
     reminded
    0.42
     nodded
    0.42
     explained
    0.42
     sighed
    0.41
    Act Density 0.209%

    No Known Activations