INDEX
Negative Logits
AT
0.57
(
0.57
ATI
0.54
A
0.54
Asia
0.54
Api
0.53
S
0.52
AC
0.51
IC
0.51
Q
0.50
POSITIVE LOGITS
چیمپ
0.52
.³
0.52
palindrome
0.49
terci
0.47
marshalN
0.46
cią
0.46
انسان
0.46
luk
0.46
পার্থক্য
0.45
nonzero
0.45
Activations Density 0.002%