INDEX
Negative Logits
的
1.24
is
1.09
as
1.02
时
0.97
on
0.95
be
0.91
h
0.91
ا
0.86
v
0.83
我们
0.82
POSITIVE LOGITS
ین
1.55
ینا
1.22
ir
1.20
ate
1.16
ینگ
1.09
ینس
1.07
νες
1.02
(
1.02
িতে
1.01
یر
1.01
Activations Density 0.012%
的
is
as
时
on
be
h
ا
v
我们
ین
ینا
ir
ate
ینگ
ینس
νες
(
িতে
یر