INDEX
Negative Logits
al
1.30
ol
1.27
at
1.26
lige
1.20
lardan
1.19
larni
1.16
llo
1.16
ljen
1.13
ning
1.12
y
1.09
POSITIVE LOGITS
ש
1.40
an
1.34
ס
1.24
a
1.12
↵
1.09
)$.
1.00
ח
1.00
alder
1.00
טוב
0.99
IM
0.98
Activations Density 0.102%
al
ol
at
lige
lardan
larni
llo
ljen
ning
y
ש
an
ס
a
↵
)$.
ח
alder
טוב
IM