INDEX
Negative Logits
code
0.45
iscid
0.44
charge
0.44
urar
0.43
ďaka
0.43
noirâtre
0.43
if
0.43
urai
0.43
ytail
0.42
abon
0.42
POSITIVE LOGITS
predominance
0.60
bevorzug
0.57
преимущества
0.54
alternatives
0.54
advantages
0.53
для
0.52
предпоч
0.50
Advantages
0.50
predomin
0.49
بیشتر
0.49
Activations Density 0.120%