INDEX
Negative Logits
It
0.96
It
0.88
ב
0.82
IT
0.75
东西
0.73
ن
0.71
ン
0.71
יו
0.65
I
0.64
ён
0.63
POSITIVE LOGITS
rom
1.24
Rom
1.12
ROM
1.06
rom
1.03
_
0.97
Rom
0.91
ud
0.90
um
0.86
ка
0.82
x
0.81
Activations Density 0.003%
It
It
ב
IT
东西
ن
ン
יו
I
ён
rom
Rom
ROM
rom
_
Rom
ud
um
ка
x