INDEX
Negative Logits
irar
0.49
k
0.48
⑸
0.47
kten
0.46
kst
0.46
kta
0.46
stri
0.46
сво
0.45
ransition
0.44
let
0.44
POSITIVE LOGITS
Q
0.50
phun
0.49
Ř
0.48
S
0.48
B
0.47
Delt
0.46
genug
0.45
Airlines
0.45
Beide
0.45
E
0.45
Activations Density 0.002%