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

    Neuronpedia

    INDEX
    Explanations

    Microsoft, OpenAI, YouTube products

    np_acts-logits-general · gemini-2.5-flash-lite
    New Auto-Interp
    Negative Logits
     and
    0.29
     And
    0.29
     which
    0.25
     ,
    0.25
     whose
    0.25
    และ
    0.24
    and
    0.24
     etc
    0.23
     -
    0.23
    import
    0.23
    POSITIVE LOGITS
    ależy
    0.23
     гораздо
    0.23
     лучше
    0.22
    utilise
    0.21
    Pued
    0.21
    ется
    0.21
    ства
    0.21
     считает
    0.20
     proporcional
    0.20
     доби
    0.20
    Act Density 0.315%

    No Known Activations