INDEX
    Explanations
    New Auto-Interp
    Negative Logits
    v
    0.64
    ρου
    0.63
    ολ
    0.59
    ων
    0.57
    ou
    0.56
    ικ
    0.56
    ري
    0.55
     Sicherheits
    0.54
     keamanan
    0.54
     dwa
    0.54
    POSITIVE LOGITS
    0.55
    LLO
    0.54
    STAN
    0.54
     отдельно
    0.54
    ljenje
    0.53
    ADY
    0.52
    testX
    0.52
     перспек
    0.51
    śmy
    0.50
    0.50
    Act Density 0.002%

    No Known Activations