INDEX
Negative Logits
0.74
!
0.62
acks
0.60
.!
0.59
=
0.59
]
0.57
?
0.56
nineties
0.55
)
0.54
ants
0.54
POSITIVE LOGITS
يد
0.87
يش
0.80
學
0.80
拉
0.79
ก
0.78
يث
0.78
ク
0.73
青
0.71
ี
0.70
ズ
0.70
Activations Density 0.001%
!
acks
.!
=
]
?
nineties
)
ants
يد
يش
學
拉
ก
يث
ク
青
ี
ズ