INDEX
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
ও
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
ᡤ
0.50
Activations Density 0.002%