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

    Neuronpedia

    INDEX
    Explanations

    programmed to not provide

    np_acts-logits-general · gemini-2.5-flash-lite
    New Auto-Interp
    Negative Logits
     اخر
    0.23
     написать
    0.22
     ছিলেন
    0.22
     마지막
    0.21
    يهم
    0.21
     листо
    0.21
    寫
    0.21
    咗
    0.20
     获取
    0.19
     작성
    0.19
    POSITIVE LOGITS
     certamente
    0.26
     cannot
    0.25
     puede
    0.25
     pueden
    0.25
     Puede
    0.23
     peuvent
    0.23
     peut
    0.22
     potrebbe
    0.22
     może
    0.22
     può
    0.21
    Act Density 0.830%

    No Known Activations