INDEX
Negative Logits
v
0.62
ри
0.57
fırs
0.54
伤害
0.53
چنین
0.53
erode
0.52
깎
0.50
سرکاری
0.50
фотоап
0.50
inorganic
0.49
POSITIVE LOGITS
remon
0.53
الماضي
0.51
esterday
0.50
jubil
0.50
feeling
0.49
frankly
0.49
ফাই
0.49
figlio
0.49
isme
0.48
Schmitz
0.48
Activations Density 0.002%