Neuronpedia logo - a computer chip with a rounded viewfinder border around it

    Neuronpedia

    INDEX
    Explanations

    promote harmful behavior

    np_acts-logits-general · gemini-2.5-flash-lite
    New Auto-Interp
    Negative Logits
    1.62
    s
    1.45
    。
    1.25
    是
    1.25
    ول
    1.17
    知道
    1.16
    ling
    1.15
    am
    1.14
    ă
    1.11
    ת
    1.11
    POSITIVE LOGITS
    ರುವ
    1.27
    ປັນ
    1.20
    員の
    1.17
    کنندگان
    1.16
    実践
    1.14
    ンジ
    1.13
    ِی
    1.12
    ваемых
    1.12
    ことにより
    1.12
    場合は
    1.09
    Act Density 0.031%

    No Known Activations