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

    Neuronpedia

    INDEX
    Explanations

    introducing examples

    np_acts-logits-general · gemini-2.5-flash-lite
    New Auto-Interp
    Negative Logits
     অথবা
    0.20
     अथवा
    0.18
     oppure
    0.16
     (=
    0.15
     ($\
    0.15
     or
    0.15
     અથવા
    0.15
     কিংবা
    0.13
    or
    0.13
     أو
    0.13
    POSITIVE LOGITS
    การ
    0.25
     việc
    0.23
     penggunaan
    0.22
     использование
    0.22
     повышение
    0.19
    ການ
    0.19
     pemilihan
    0.18
    ING
    0.18
     використання
    0.18
     the
    0.17
    Act Density 5.064%

    No Known Activations