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

    Neuronpedia

    INDEX
    Explanations

    dialogue attribution for names

    np_acts-logits-general · gemini-2.5-flash-lite
    New Auto-Interp
    Negative Logits
     %
    0.27
     ).
    0.23
     )
    0.22
     även
    0.20
     ஆகியவை
    0.20
     x
    0.20
     >
    0.20
     ),
    0.19
     ]
    0.19
     teie
    0.19
    POSITIVE LOGITS
    ando
    0.19
    nie
    0.18
    ceau
    0.18
    abeth
    0.18
    aza
    0.18
     himself
    0.17
    ian
    0.17
    aki
    0.17
     нау
    0.17
    andin
    0.17
    Act Density 0.231%

    No Known Activations