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

    Neuronpedia

    INDEX
    Explanations

    declining harmful requests

    np_acts-logits-general · gemini-2.5-flash-lite
    New Auto-Interp
    Negative Logits
    所以我
    0.44
    但我
    0.43
     সুতরাং
    0.40
     размере
    0.38
    但是我
    0.37
    সুতরাং
    0.36
     Nhưng
    0.36
     Neces
    0.35
     Didn
    0.34
     त्यामुळे
    0.34
    POSITIVE LOGITS
     the
    0.45
     een
    0.40
     eine
    0.37
    斯
    0.35
    ,
    0.35
    ერთი
    0.34
    ة
    0.34
    G
    0.34
    その
    0.33
    ความ
    0.33
    Act Density 0.064%

    No Known Activations