INDEX
Negative Logits
pseud
0.53
delim
0.50
delineate
0.50
bed
0.49
sufr
0.49
тяжё
0.48
pooch
0.48
хирур
0.47
preclude
0.46
refin
0.46
POSITIVE LOGITS
L
0.70
M
0.57
la
0.57
O
0.56
K
0.55
France
0.55
\%,
0.53
R
0.53
S
0.53
B
0.52
Activations Density 0.023%