INDEX
Negative Logits
it
0.60
яка
0.57
ς
0.56
𝔰
0.53
𝑠
0.50
чном
0.50
).\\
0.50
|</
0.49
нала
0.49
чному
0.49
POSITIVE LOGITS
ب
0.66
k
0.65
ik
0.64
us
0.52
ia
0.51
ת
0.51
ne
0.49
ari
0.48
ك
0.48
list
0.46
Activations Density 0.000%
it
яка
ς
𝔰
𝑠
чном
).\\
|</
нала
чному
ب
k
ik
us
ia
ת
ne
ari
ك
list